写一段代码，用Jacobi迭代法求解方程组，使精度小于0.0001，并计算迭代次数

在Python中，我们可以使用NumPy库来实现jacobi迭代法求解线性方程组。这是一个简单的示例，其中我们假设有一个二维数组A表示系数矩阵，另一个一维数组b表示常数项：

import numpy as np

def jacobi_iteration(A, b, tolerance=1e-4, max_iter=1000):
    n = len(b)
    x = np.zeros(n)  # 初始猜测值
    Ax = A @ x  # A * x，应用向量乘法
    iter_count = 0
    while True:
        old_x = x.copy()  # 保存旧的x值
        x = (b - Ax) / A.diagonal()  # 使用Jacobi迭代公式更新x
        if np.allclose(x, old_x, atol=tolerance):  # 检查是否达到精度
            break
        iter_count += 1
        if iter_count >= max_iter:  # 达到最大迭代次数
            print("Max iterations reached")
            break
    return x, iter_count

# 示例方程组：A * x = b
A = np.array([[4, 1], [1, 3]])
b = np.array([7, 11])

solution, iteration_count = jacobi_iteration(A, b)
print(f"Solution after {iteration_count} iterations: {solution}")

在这个例子中，`atol`参数用于指定绝对误差阈值，`max_iter`设定最大迭代次数。当迭代结果满足给定的精度（这里是0.0001），或者达到最大迭代次数时，函数会停止并返回解决方案和迭代次数。