Tömb- és mátrixműveletek

import numpy as np

# 1. Tömbök létrehozása (1D, 2D)

egy_dimenzios = np.array([1, 2, 3, 4])

ket_dimenzios = np.array([[1, 2, 3], 

                          [4, 5, 6]])

print("2D Mátrix:\n", ket_dimenzios)

print("A mátrix dimenziói:", ket_dimenzios.shape) # (sorok száma, oszlopok száma)

# 2. Mátrix inicializálása nullákkal vagy egyesekkel

nullas_matrix = np.zeros((3, 3)) # 3x3-as nullmátrix

egyes_matrix = np.ones((2, 4))   # 2x4-es egyesekből álló mátrix

# 3. Alapvető mátrixműveletek (Skaláris)

hozzadas = ket_dimenzios + 10    # Minden elemhez hozzáad 10-et

szorzas = ket_dimenzios * 2      # Minden elemet megszoroz 2-vel

# 4. Elem-szintű (element-wise) műveletek két mátrix között

a = np.array([[1, 2], [3, 4]])

b = np.array([[5, 6], [7, 8]])

osszeadas = a + b    # Elem szerinti összeadás

kivonas = a - b      # Elem szerinti kivonás

elem_szorzas = a * b # Elem szerinti szorzás (Hadamard-szorzat)

# 5. Valódi mátrixszorzás (Dot product)

m_szorzas_1 = np.dot(a, b) # Hagyományos szintaxis

m_szorzas_2 = a @ b        # Modern, átláthatóbb szintaxis

# 6. Transzponálás (sorok és oszlopok cseréje)

transzponalt = a.T

# 7. Determináns és inverz mátrix számítás

# A linalg almodult használjuk lineáris algebrához

determinans = np.linalg.det(a)

inverz = np.linalg.inv(a)

print("\nMátrix A:\n", a)

print("Mátrix B:\n", b)

print("A @ B (Mátrixszorzás):\n", m_szorzas_2)

print("A transzponáltja:\n", transzponalt)

print("A determinánsa:", determinans)