Чтобы вычислить число обусловленности матрицы в Python, вы можете использовать различные методы. Вот несколько подходов и примеры кода:

1. Использование NumPy:

   import numpy as np
   # Define the matrix
   A = np.array([[1, 2], [3, 4]])
   # Compute the condition number using the 'cond()' function
   condition_number = np.linalg.cond(A)
   print("Condition number:", condition_number)

2. Использование SciPy:

   import scipy.linalg as sla
   # Define the matrix
   A = np.array([[1, 2], [3, 4]])
   # Compute the condition number using the 'norm()' function
   condition_number = sla.norm(A) * sla.norm(sla.inv(A))
   print("Condition number:", condition_number)

3. Использование SymPy:

   import sympy as sp
   # Define the matrix
   A = sp.Matrix([[1, 2], [3, 4]])
   # Compute the condition number using the 'condition_number()' method
   condition_number = A.condition_number().evalf()
   print("Condition number:", condition_number)

4. Использование scikit-learn:

   from sklearn.preprocessing import StandardScaler
   import numpy as np
   # Define the matrix
   A = np.array([[1, 2], [3, 4]])
   # Standardize the matrix
   scaler = StandardScaler()
   A_scaled = scaler.fit_transform(A)
   # Compute the condition number using the singular value decomposition (SVD)
   u, s, vh = np.linalg.svd(A_scaled)
   condition_number = np.max(s) / np.min(s)
   print("Condition number:", condition_number)

Это всего лишь несколько примеров того, как вычислить число обусловленности матрицы в Python. Не стесняйтесь выбирать метод, который лучше всего соответствует вашим потребностям.