Написать программу на питоне: 1. Создать трёхдиаг симметричную матрицу якоби где…
- User
Написать программу на питоне:
- Создать трёхдиаг симметричную матрицу якоби где значения чередуются на главной диагонали и одинаковы на верхней и нижней def create_jacobi_matrix(n, c1, c2, b): c = np.array([c1 if i % 2 == 0 else c2 for i in range(n)]) b = np.full(n-1, b) return np.diag(c) + np.diag(b, k=1) + np.diag(b, k=-1)
- Используя eig найти все собственные значения
- Найти интервал собственных значений, определить шаг, отступить в интервале на этот шаг справа и слева
- В цикле пройтись по каждому узлу и с помощью количества отрицательных полиномов меньших текущего узла определить количество собственных значений на каждом отрезке
- Упорядочить все собственные значения и найти количество собственных значений на каждом шаге с том же цикле с помощью простого неравенства
- Построить гистограмму, где полученные количества собственных значений на каждом отрезке из шага 4 направлены вверх, а из шага 5 вниз
- Assistant
Для решения задачи необходимо ознакомиться с особенностями работы с трехдиагональными симметричными матрицами, их собственными значениями и представлением результатов на гистограмме. Ниже приведен пример программы, которая реализует предложенные шаги, используя библиотеки NumPy и Matplotlib для Python.
import numpy as np import matplotlib.pyplot as plt def create_jacobi_matrix(n, c1, c2, b): # Создаём главную диагональ, чередуя значения c1 и c2 c = np.array([c1 if i % 2 == 0 else c2 for i in range(n)]) # Создаём верхнюю и нижнюю диагонали b = np.full(n-1, b) # Формируем матрицу return np.diag(c) + np.diag(b, k=1) + np.diag(b, k=-1) def compute_eigenvalues(matrix): # Находим собственные значения и вектора, оставляем только значения eigenvalues, _ = np.linalg.eig(matrix) # Сортируем собственные значения return np.sort(eigenvalues) def eigenvalue_intervals(eigenvalues, n_intervals): # Определяем минимальное и максимальное собственных значений min_eigenvalue = np.min(eigenvalues) max_eigenvalue = np.max(eigenvalues) # Определяем шаг step = (max_eigenvalue - min_eigenvalue) / n_intervals return min_eigenvalue - step, max_eigenvalue + step, step def find_eigenvalue_counts(eigenvalues, interval_start, interval_end, step): # Массив счётчиков собственных значений в каждом шаге counts = [] interval_edges = np.arange(interval_start, interval_end, step) for i in range(len(interval_edges) - 1): left = interval_edges[i] right = interval_edges[i+1] # Считаем количество собственных значений попавших на интервал count = np.sum((eigenvalues >= left) & (eigenvalues < right)) counts.append(count) return counts, interval_edges def plot_eigenvalue_histogram(counts1, counts2, edges): # Строим гистограмму plt.figure(figsize=(10, 6)) center = (edges[:-1] + edges[1:]) / 2 plt.bar(center, counts1, align='center', alpha=0.7, label='From polynomial') plt.bar(center, -np.array(counts2), align='center', alpha=0.7, label='Directly counted') plt.xlabel('Interval') plt.ylabel('Count of Eigenvalues') plt.title('Histogram of Eigenvalue Counts in Intervals') plt.legend() plt.show() # Параметры для матрицы Якоби n = 10 c1 = 2 c2 = 1 b = 0.5 # Генерация матрицы matrix = create_jacobi_matrix(n, c1, c2, b) # Вычисление собственных значений eigenvalues = compute_eigenvalues(matrix) # Определение интервалов и шага left, right, step = eigenvalue_intervals(eigenvalues, n) # Найдем количество собственных значений в каждом интервале _, interval_edges = find_eigenvalue_counts(eigenvalues, left, right, step) counts_by_polynomial = np.diff(np.searchsorted(eigenvalues, interval_edges)) counts_direct = find_eigenvalue_counts(eigenvalues, left, right, step)[0] # Построение гистограммы plot_eigenvalue_histogram(counts_by_polynomial, counts_direct, interval_edges)Объяснение шагов:
-
Создание матрицы:
create_jacobi_matrixсоздает трехдиагональную симметричную матрицу Якоби, где значения чередуются на главной диагонали, а верхняя и нижняя диагонали содержат одинаковые элементы.
-
Нахождение собственных значений:
compute_eigenvaluesиспользуетnp.linalg.eigдля нахождения всех собственных значений и сортирует их.
-
Определение интервалов:
- Функция
eigenvalue_intervalsопределяет границы и шаг интервального разбиения для собственных значений.
- Функция
-
Вычисление количества собственных значений в интервалах:
find_eigenvalue_countsдля получения количества собственных значений в каждом шаге. Мы используемnp.searchsortedдля нахождения индексов интервалов.
-
Построение гистограммы:
plot_eigenvalue_histogramстроит гистограмму отображающую количество собственных значений в каждом интервале, где столбики, полученные различными способами, направлены вверх и вниз.
Запустите этот код, чтобы получить графический анализ распределения собственных значений матрицы Якоби.
-
- User
добавить ось абсцисс со штрихами во всех значениях интервала
- Assistant
Чтобы добавить ось абсцисс с отметками на всех значениях интервала, нужно немного модифицировать код для построения гистограммы. Мы добавим отметки (
ticks) и соответствующие подписи на оси X. Ниже приведен обновленный код для построения гистограммы:import numpy as np import matplotlib.pyplot as plt def create_jacobi_matrix(n, c1, c2, b): c = np.array([c1 if i % 2 == 0 else c2 for i in range(n)]) b = np.full(n-1, b) return np.diag(c) + np.diag(b, k=1) + np.diag(b, k=-1) def compute_eigenvalues(matrix): eigenvalues, _ = np.linalg.eig(matrix) return np.sort(eigenvalues) def eigenvalue_intervals(eigenvalues, n_intervals): min_eigenvalue = np.min(eigenvalues) max_eigenvalue = np.max(eigenvalues) step = (max_eigenvalue - min_eigenvalue) / n_intervals return min_eigenvalue - step, max_eigenvalue + step, step def find_eigenvalue_counts(eigenvalues, interval_start, interval_end, step): counts = [] interval_edges = np.arange(interval_start, interval_end, step) for i in range(len(interval_edges) - 1): left = interval_edges[i] right = interval_edges[i+1] count = np.sum((eigenvalues >= left) & (eigenvalues < right)) counts.append(count) return counts, interval_edges def plot_eigenvalue_histogram(counts1, counts2, edges): plt.figure(figsize=(10, 6)) center = (edges[:-1] + edges[1:]) / 2 plt.bar(center, counts1, align='center', alpha=0.7, label='From polynomial') plt.bar(center, -np.array(counts2), align='center', alpha=0.7, label='Directly counted') plt.xlabel('Interval') plt.ylabel('Count of Eigenvalues') plt.title('Histogram of Eigenvalue Counts in Intervals') plt.legend() # Установка отметок на оси X plt.xticks(edges, rotation=45) plt.grid(axis='x', linestyle='--', alpha=0.7) plt.show() # Параметры для матрицы Якоби n = 10 c1 = 2 c2 = 1 b = 0.5 matrix = create_jacobi_matrix(n, c1, c2, b) eigenvalues = compute_eigenvalues(matrix) left, right, step = eigenvalue_intervals(eigenvalues, n) _, interval_edges = find_eigenvalue_counts(eigenvalues, left, right, step) counts_by_polynomial = np.diff(np.searchsorted(eigenvalues, interval_edges)) counts_direct = find_eigenvalue_counts(eigenvalues, left, right, step)[0] plot_eigenvalue_histogram(counts_by_polynomial, counts_direct, interval_edges)Что изменено:
- Штрихи на оси X: Для удобства визуализации я добавил отметки на оси абсцисс (
plt.xticks) на каждом значении границ интерваловedges. - Поворот подписей: Подписи на оси X обладают поворотом (
rotation=45) для улучшения читаемости, особенно если значения интервалов имеют длинный формат. - Сетка: Добавлена сетка (
plt.grid) для еще лучшего восприятия отметок.
Теперь на построенной гистограмме ось абсцисс будет иметь все штрихи на значениях интервалов, что поможет нагляднее оценить распределение собственных значений.
- Штрихи на оси X: Для удобства визуализации я добавил отметки на оси абсцисс (
- User
построить ту же гистограмму но с помощью обычного графика где каждая колонка по ширине соответствует длине интервала а по высоте количеству собственных значений на интервале
- Assistant
Для построения гистограммы в виде обычного графика, который визуализирует распределение собственных значений по интервалам с использованием линий или точек, вместо вертикальных полос, можно использовать дополнительные функции библиотеки Matplotlib. Мы построим график, где отметим границы каждого интервала, а высота точек будет соответствовать количеству собственных значений на интервале.
Вот как это можно реализовать:
import numpy as np import matplotlib.pyplot as plt def create_jacobi_matrix(n, c1, c2, b): c = np.array([c1 if i % 2 == 0 else c2 for i in range(n)]) b = np.full(n-1, b) return np.diag(c) + np.diag(b, k=1) + np.diag(b, k=-1) def compute_eigenvalues(matrix): eigenvalues, _ = np.linalg.eig(matrix) return np.sort(eigenvalues) def eigenvalue_intervals(eigenvalues, n_intervals): min_eigenvalue = np.min(eigenvalues) max_eigenvalue = np.max(eigenvalues) step = (max_eigenvalue - min_eigenvalue) / n_intervals return min_eigenvalue - step, max_eigenvalue + step, step def find_eigenvalue_counts(eigenvalues, interval_start, interval_end, step): counts = [] interval_edges = np.arange(interval_start, interval_end, step) for i in range(len(interval_edges) - 1): left = interval_edges[i] right = interval_edges[i+1] count = np.sum((eigenvalues >= left) & (eigenvalues < right)) counts.append(count) return counts, interval_edges def plot_eigenvalue_counts_as_line(counts, edges): plt.figure(figsize=(10, 6)) # Центры интервалов для размещения точек centers = (edges[:-1] + edges[1:]) / 2 # Используем 'step' для создания ступенчатого графика, который напоминает гистограмму plt.step(centers, counts, where='mid', label='Eigenvalue Counts') plt.xlabel('Interval') plt.ylabel('Count of Eigenvalues') plt.title('Eigenvalue Counts in Intervals') plt.xticks(edges, rotation=45) plt.grid(axis='x', linestyle='--', alpha=0.7) plt.legend() plt.show() # Параметры для матрицы Якоби n = 10 c1 = 2 c2 = 1 b = 0.5 matrix = create_jacobi_matrix(n, c1, c2, b) eigenvalues = compute_eigenvalues(matrix) left, right, step = eigenvalue_intervals(eigenvalues, n) _, interval_edges = find_eigenvalue_counts(eigenvalues, left, right, step) counts_by_polynomial = np.diff(np.searchsorted(eigenvalues, interval_edges)) plot_eigenvalue_counts_as_line(counts_by_polynomial, interval_edges)Объяснение изменений:
-
Ступенчатый график (step plot): Используем метод
plt.stepдля создания графика, который позволяет визуализировать изменения количества собственных значений между интервалами. Аргументwhere='mid'указывает, что изменения происходят по центру интервала. -
Центры интервалов: Этот подход подчеркивает расположение каждого интервала, а изменения высоты показывают количество собственных значений на отрезке.
-
Общие настройки: Оси, названия и сетка остаются так, чтобы улучшить читаемость, добавлены единообразные подписи на оси X.
Графическое представление в таком виде предоставляет интуитивное понимание о распределении собственных значений и резких или плавных изменениях количества этих значений между интервалами.
-
- User
дополнительно вывести таблицу с количеством значений на каждом интервале первым и вторым методом
- Assistant
Чтобы дополнительно вывести таблицу с количеством собственных значений на каждом интервале, используя оба метода (поиск количеством отрицательных значений полиномов и прямое распределение), мы можем воспользоваться функцией
pandas.DataFrameдля создания наглядной таблицы.Вот как это можно сделать:
import numpy as np import matplotlib.pyplot as plt import pandas as pd def create_jacobi_matrix(n, c1, c2, b): c = np.array([c1 if i % 2 == 0 else c2 for i in range(n)]) b = np.full(n-1, b) return np.diag(c) + np.diag(b, k=1) + np.diag(b, k=-1) def compute_eigenvalues(matrix): eigenvalues, _ = np.linalg.eig(matrix) return np.sort(eigenvalues) def eigenvalue_intervals(eigenvalues, n_intervals): min_eigenvalue = np.min(eigenvalues) max_eigenvalue = np.max(eigenvalues) step = (max_eigenvalue - min_eigenvalue) / n_intervals return min_eigenvalue - step, max_eigenvalue + step, step def find_eigenvalue_counts(eigenvalues, interval_start, interval_end, step): counts = [] interval_edges = np.arange(interval_start, interval_end, step) for i in range(len(interval_edges) - 1): left = interval_edges[i] right = interval_edges[i+1] count = np.sum((eigenvalues >= left) & (eigenvalues < right)) counts.append(count) return counts, interval_edges def plot_eigenvalue_counts_as_line(counts, edges): plt.figure(figsize=(10, 6)) centers = (edges[:-1] + edges[1:]) / 2 plt.step(centers, counts, where='mid', label='Eigenvalue Counts') plt.xlabel('Interval') plt.ylabel('Count of Eigenvalues') plt.title('Eigenvalue Counts in Intervals') plt.xticks(edges, rotation=45) plt.grid(axis='x', linestyle='--', alpha=0.7) plt.legend() plt.show() def create_table(interval_edges, counts1, counts2): intervals = [f"({interval_edges[i]:.2f}, {interval_edges[i+1]:.2f})" for i in range(len(interval_edges)-1)] data = { 'Interval': intervals, 'Count from Polynomial': counts1, 'Direct Count': counts2 } df = pd.DataFrame(data) print(df) # Параметры для матрицы Якоби n = 10 c1 = 2 c2 = 1 b = 0.5 matrix = create_jacobi_matrix(n, c1, c2, b) eigenvalues = compute_eigenvalues(matrix) left, right, step = eigenvalue_intervals(eigenvalues, n) counts_direct, interval_edges = find_eigenvalue_counts(eigenvalues, left, right, step) counts_by_polynomial = np.diff(np.searchsorted(eigenvalues, interval_edges)) plot_eigenvalue_counts_as_line(counts_by_polynomial, interval_edges) # Создание и вывод таблицы create_table(interval_edges, counts_by_polynomial, counts_direct)Объяснение:
-
create_tableфункция:- Используется для создания и отображения таблицы с использованием библиотеки
pandas. - Создается список интервалов в виде строк, которые отображают границы каждого интервала.
- Создается DataFrame с интервалами и двумя наборами данных: количеством собственных значений, полученным по каждому из предложенных методов.
- Используется для создания и отображения таблицы с использованием библиотеки
-
Вывод таблицы:
print(df)выводит таблицу в читаемом виде в консоль. Визуализация поможет легко сравнить результаты, полученные двумя методами.
Программный код таким образом не только создает график для интервалов собственных значений, но и предоставляет структурированный вывод в виде таблицы для анализа и интерпретации данных.
-
- User
в гистограмме закрасить столбцы а так же вывести полученные количества собственных значений на каждом отрезке первым методом вверх а вторым вниз на одной оси абсцисс
- Assistant
Чтобы улучшить визуальное восприятие графика и отобразить количества собственных значений по обоим методам на одной оси абсцисс, добавим цветовую заливку столбцов и выведем значения сверху и снизу графика. Мы будем использовать
plt.barдля того, чтобы иметь возможность отдельно управлять цветом и расположением столбцов.Вот обновленный код с этими изменениями:
import numpy as np import matplotlib.pyplot as plt import pandas as pd def create_jacobi_matrix(n, c1, c2, b): c = np.array([c1 if i % 2 == 0 else c2 for i in range(n)]) b = np.full(n-1, b) return np.diag(c) + np.diag(b, k=1) + np.diag(b, k=-1) def compute_eigenvalues(matrix): eigenvalues, _ = np.linalg.eig(matrix) return np.sort(eigenvalues) def eigenvalue_intervals(eigenvalues, n_intervals): min_eigenvalue = np.min(eigenvalues) max_eigenvalue = np.max(eigenvalues) step = (max_eigenvalue - min_eigenvalue) / n_intervals return min_eigenvalue - step, max_eigenvalue + step, step def find_eigenvalue_counts(eigenvalues, interval_start, interval_end, step): counts = [] interval_edges = np.arange(interval_start, interval_end, step) for i in range(len(interval_edges) - 1): left = interval_edges[i] right = interval_edges[i + 1] count = np.sum((eigenvalues >= left) & (eigenvalues < right)) counts.append(count) return counts, interval_edges def plot_eigenvalue_histogram(counts1, counts2, edges): plt.figure(figsize=(12, 6)) bar_width = edges[1] - edges[0] centres = (edges[:-1] + edges[1:]) / 2 # Закрасим столбцы и используем их для отображения количества значений plt.bar(centres, counts1, width=bar_width, color='blue', alpha=0.6, edgecolor='k', label='From polynomial') plt.bar(centres, -np.array(counts2), width=bar_width, color='red', alpha=0.6, edgecolor='k', label='Directly counted') # Выводим числовые значения над каждым столбиком for x, y in zip(centres, counts1): plt.text(x, y + 0.5, str(y), ha='center', va='bottom', fontsize=8) for x, y in zip(centres, counts2): plt.text(x, -y - 0.5, str(y), ha='center', va='top', fontsize=8) plt.xlabel('Interval') plt.ylabel('Count of Eigenvalues') plt.title('Eigenvalue Counts in Intervals') plt.xticks(edges, rotation=45) plt.grid(axis='x', linestyle='--', alpha=0.7) plt.legend() plt.show() def create_table(interval_edges, counts1, counts2): intervals = [f"({interval_edges[i]:.2f}, {interval_edges[i+1]:.2f})" for i in range(len(interval_edges) - 1)] data = { 'Interval': intervals, 'Count from Polynomial': counts1, 'Direct Count': counts2 } df = pd.DataFrame(data) print(df) # Параметры для матрицы Якоби n = 10 c1 = 2 c2 = 1 b = 0.5 matrix = create_jacobi_matrix(n, c1, c2, b) eigenvalues = compute_eigenvalues(matrix) left, right, step = eigenvalue_intervals(eigenvalues, n) counts_direct, interval_edges = find_eigenvalue_counts(eigenvalues, left, right, step) counts_by_polynomial = np.diff(np.searchsorted(eigenvalues, interval_edges)) plot_eigenvalue_histogram(counts_by_polynomial, counts_direct, interval_edges) # Создание и вывод таблицы create_table(interval_edges, counts_by_polynomial, counts_direct)Объяснение:
-
Закрашивание столбцов:
- Используется
plt.barдля создания и закрашивания столбцов, представляющих количество собственных значений. С маякамиcolorиalphaуправляется цвет и прозрачность столбцов, аedgecolorдобавляет рамку.
- Используется
-
Вывод значений:
- Используются
plt.textдля вывода значений собственных значений над (или под) каждым столбиком. Значения располагаются по центру и направлены вверх для одного из методов и вниз для другого.
- Используются
-
Общий график:
- Создаёт более наглядное представление данных, позволяют быстро сравнить результаты, полученные двумя методами.
Этот подход обеспечивает визуальное сравнение распределения собственных значений по выбранным интервалам, демонстрируя различия между двумя методами вычисления.
-