人类的线性代数：一个非常好的向量几何和线性代数工具带
vg的Python项目详细描述
VG
人类线性代数：averygood向量几何 线性代数工具带。使简单的NumPy操作变得可读。
示例
规范化向量堆栈：
# ?vs_norm=vs/np.linalg.norm(vs,axis=1)[:,np.newaxis]# ?vs_norm=vg.normalize(vs)
检查零矢量：
# ?is_almost_zero=np.allclose(v,np.array([0.0,0.0,0.0]),rtol=0,atol=1e-05)# ?is_almost_zero=vg.almost_zero(v,atol=1e-05)找到主要变化轴（第一主成分）：< >
# ?mean=np.mean(coords,axis=0)_,_,pcs=np.linalg.svd(coords-mean)first_pc=pcs[0]# ?first_pc=vg.major_axis(coords)
计算两个向量堆栈之间的成对角度：
# ?dot_products=np.einsum("ij,ij->i",v1s.reshape(-1,3),v2s.reshape(-1,3))cosines=dot_products/np.linalg.norm(v1s,axis=1)/np.linalg.norm(v1s,axis=1)angles=np.arccos(np.clip(cosines,-1.0,1.0))# ?angles=vg.angle(v1s,v2s)
功能
请参阅完整的api引用：https://vgpy.readthedocs.io/en/latest/
所有函数都可以选择矢量化，这意味着它们接受单个输入和 可交换的输入堆栈。他们返回正确的东西-一个 结果或一堆结果–无需重新调整输入或输出。 借助于numpy的强大功能，矢量化函数速度很快。
安装
pip install numpy vg
用法
importnumpyasnpimportvgprojected=vg.scalar_projection(np.array([5.0,-3.0,1.0]),onto=vg.basis.neg_y)
设计原则
线性代数是有用的，它不必很难使用。与 抽象的力量，简单的操作可以变得简单，无需费力 通过演讲幻灯片、教科书、难以捉摸的堆栈溢出答案，或 密集的神经病。使用线性代数和几何变换的代码 应该像英语一样可读，不影响效率。
这些常见操作应该抽象为几个原因：
如果开发人员不是每天都在编程linalg，他们可能会忘记 基本公式。这些表格更容易记住，也更容易 参考。
这些表单倾向于以numpy表单是 不是。如果开发人员不是每天都在编程linalg，那么 派上用场。
这些实现更加健壮。他们会自动检查 在他们的论点上，所以如果论点是向量，他们也同样有效 或者一堆向量。他们更仔细地检查边沿的箱子 就像零范数或零叉积，返回正确的结果 或提出适当的错误。
版本控制
这个库遵循Semantic Versioning。
致谢
这个集合是由Paul Melnikow在身体实验室开发并提取的
来自Body Labs的代码库，并作为blmathby Alex
Weiss的一部分开源。后来，保罗·梅尔尼科（paul melnikow）和后来的
名称空间vx被分解为自己的包。项目已重命名
解决名称冲突。
许可证
该项目根据两条BSD许可证获得许可。
欢迎加入QQ群-->： 979659372
