तो, सामान्य नियम केवल scipy.linalg का उपयोग करना है क्योंकि यह आम तौर पर सभी numpy.linalg कार्यक्षमता और अधिक का समर्थन करता है।
भी
numpy.linalg अधिक रेखीय बीजगणित कार्यों के लिए: documentation इस कहते हैं। ध्यान दें कि हालांकि scipy.linalg उनमें से अधिकतर आयात करता है, scipy.linalg से समान रूप से नामित फ़ंक्शन अधिक या थोड़ा भिन्न कार्यक्षमता प्रदान कर सकते हैं।
हालांकि, matrix_rank() केवल न्यूम्पी में है।
यहाँ हम दोनों पुस्तकालयों द्वारा प्रदान कार्यों के बीच मतभेदों को देख सकते हैं, और कैसे SciPy अधिक पूरा हो गया है:
In [2]: from scipy import linalg as scipy_linalg
In [3]: from numpy import linalg as numpy_linalg
In [4]: dir(scipy_linalg)
Out[4]:
[
...
'absolute_import',
'basic',
'bench',
'blas',
'block_diag',
'cho_factor',
'cho_solve',
'cho_solve_banded',
'cholesky',
'cholesky_banded',
'circulant',
'companion',
'coshm',
'cosm',
'cython_blas',
'cython_lapack',
'decomp',
'decomp_cholesky',
'decomp_lu',
'decomp_qr',
'decomp_schur',
'decomp_svd',
'det',
'dft',
'diagsvd',
'division',
'eig',
'eig_banded',
'eigh',
'eigvals',
'eigvals_banded',
'eigvalsh',
'expm',
'expm2',
'expm3',
'expm_cond',
'expm_frechet',
'find_best_blas_type',
'flinalg',
'fractional_matrix_power',
'funm',
'get_blas_funcs',
'get_lapack_funcs',
'hadamard',
'hankel',
'helmert',
'hessenberg',
'hilbert',
'inv',
'invhilbert',
'invpascal',
'kron',
'lapack',
'leslie',
'linalg_version',
'logm',
'lstsq',
'lu',
'lu_factor',
'lu_solve',
'matfuncs',
'misc',
'norm',
'ordqz',
'orth',
'orthogonal_procrustes',
'pascal',
'pinv',
'pinv2',
'pinvh',
'polar',
'print_function',
'qr',
'qr_delete',
'qr_insert',
'qr_multiply',
'qr_update',
'qz',
'rq',
'rsf2csf',
's',
'schur',
'signm',
'sinhm',
'sinm',
'solve',
'solve_banded',
'solve_circulant',
'solve_continuous_are',
'solve_discrete_are',
'solve_discrete_lyapunov',
'solve_lyapunov',
'solve_sylvester',
'solve_toeplitz',
'solve_triangular',
'solveh_banded',
'special_matrices',
'sqrtm',
'svd',
'svdvals',
'tanhm',
'tanm',
'test',
'toeplitz',
'tri',
'tril',
'triu']
In [5]: dir(numpy_linalg)
Out[5]:
[
...
'absolute_import',
'bench',
'cholesky',
'cond',
'det',
'division',
'eig',
'eigh',
'eigvals',
'eigvalsh',
'info',
'inv',
'lapack_lite',
'linalg',
'lstsq',
'matrix_power',
'matrix_rank',
'multi_dot',
'norm',
'pinv',
'print_function',
'qr',
'slogdet',
'solve',
'svd',
'tensorinv',
'tensorsolve',
'test']
In [6]:
ध्यान दें कि नहीं इन सब कार्य हैं।
SciPy scipy.linalg.expm_cond() प्रदान करता है, लेकिन यह केवल फ्रोबिनियस मानदंड में स्थिति लौटाता है, जबकि numpy.linalg.cond() कई मानदंडों का समर्थन करता है।