Вот несколько методов работы с линейной алгеброй в Python, а также примеры кода:

1. NumPy:
   NumPy – популярная библиотека для числовых вычислений на Python, предоставляющая полный набор функций для операций линейной алгебры.

   Пример: вычисление скалярного произведения двух векторов с помощью NumPy:

   import numpy as np
   # Define two vectors
   vector1 = np.array([1, 2, 3])
   vector2 = np.array([4, 5, 6])
   # Compute the dot product
   dot_product = np.dot(vector1, vector2)
   print(dot_product)

2. SciPy:
   SciPy — еще одна мощная библиотека для научных вычислений на Python. Он основан на NumPy и предоставляет дополнительные функции для линейной алгебры, оптимизации, обработки сигналов и многого другого.

   Пример: решение системы линейных уравнений с помощью SciPy:

   import numpy as np
   from scipy.linalg import solve
   # Define the matrix and the right-hand side of the equation
   A = np.array([[2, 3], [4, 1]])
   b = np.array([6, 5])
   # Solve the equation Ax = b
   x = solve(A, b)
   print(x)

3. SymPy:
   SymPy — это библиотека Python для символьной математики. Он предоставляет инструменты для символьной алгебры, исчисления и линейной алгебры.

   Пример: поиск собственных значений и собственных векторов матрицы с помощью SymPy:

   from sympy import Matrix
   # Define a matrix
   A = Matrix([[1, 2], [3, 4]])
   # Compute the eigenvalues and eigenvectors
   eigenvalues = A.eigenvals()
   eigenvectors = A.eigenvects()
   print(eigenvalues)
   print(eigenvectors)

4. scikit-learn:
   scikit-learn — широко используемая библиотека машинного обучения на Python. Он включает в себя различные модули предварительной обработки данных, выбора и оценки моделей, включая утилиты для матричной декомпозиции.

   Пример: выполнение разложения по сингулярному значению (SVD) с помощью scikit-learn:

   import numpy as np
   from sklearn.decomposition import TruncatedSVD
   # Define a matrix
   X = np.array([[1, 2], [3, 4], [5, 6]])
   # Perform SVD
   svd = TruncatedSVD(n_components=1)
   svd.fit(X)
   # Get the singular values and vectors
   singular_values = svd.singular_values_
   components = svd.components_
   print(singular_values)
   print(components)