linalg.
eigh
返回复厄米特矩阵(共轭对称)或实对称矩阵的特征值和特征向量。
返回两个对象,一个一维数组,其中包含 a 以及相应特征向量的二维方阵或矩阵(取决于输入类型)(以列为单位)。
Hermitian矩阵或实对称矩阵,其特征值和特征向量将被计算出来。
指定计算是否使用的下三角部分 a (‘L’,默认)或上三角形部分(‘U’)。不管这个值如何,在计算中只考虑对角线的实部,以保留厄米矩阵的概念。因此,对角线的虚部始终被视为零。
特征值按升序排列,每个特征值都根据其多重性重复。
专栏 v[:, i] 归一化特征向量是否与特征值相对应? w[i] . 将返回矩阵对象,如果 a 是矩阵对象。
v[:, i]
w[i]
如果特征值计算不收敛。
参见
eigvalsh
实对称或复厄米特(共轭对称)阵列的特征值。
eig
非对称阵列的特征值和右特征向量。
eigvals
非对称阵列的特征值。
scipy.linalg.eigh
SciPy中的相似函数(但也解决了广义特征值问题)。
笔记
1.8.0 新版功能.
广播规则适用,见 numpy.linalg 有关详细信息的文档。
numpy.linalg
特征值/特征向量使用LAPACK例程计算 _syevd , _heevd .
_syevd
_heevd
实对称或复厄米特矩阵的特征值总是实的。 [1] 数组 v (列)特征向量是一元的,并且 a , w 和 v 满足方程式 dot(a, v[:, i]) = w[i] * v[:, i] .
dot(a, v[:, i]) = w[i] * v[:, i]
工具书类
斯特朗 线性代数及其应用 ,第2版,奥兰多,佛罗里达州,学术出版社,1980年,第222页。
实例
>>> from numpy import linalg as LA >>> a = np.array([[1, -2j], [2j, 5]]) >>> a array([[ 1.+0.j, -0.-2.j], [ 0.+2.j, 5.+0.j]]) >>> w, v = LA.eigh(a) >>> w; v array([0.17157288, 5.82842712]) array([[-0.92387953+0.j , -0.38268343+0.j ], # may vary [ 0. +0.38268343j, 0. -0.92387953j]])
>>> np.dot(a, v[:, 0]) - w[0] * v[:, 0] # verify 1st e-val/vec pair array([5.55111512e-17+0.0000000e+00j, 0.00000000e+00+1.2490009e-16j]) >>> np.dot(a, v[:, 1]) - w[1] * v[:, 1] # verify 2nd e-val/vec pair array([0.+0.j, 0.+0.j])
>>> A = np.matrix(a) # what happens if input is a matrix object >>> A matrix([[ 1.+0.j, -0.-2.j], [ 0.+2.j, 5.+0.j]]) >>> w, v = LA.eigh(A) >>> w; v array([0.17157288, 5.82842712]) matrix([[-0.92387953+0.j , -0.38268343+0.j ], # may vary [ 0. +0.38268343j, 0. -0.92387953j]])
>>> # demonstrate the treatment of the imaginary part of the diagonal >>> a = np.array([[5+2j, 9-2j], [0+2j, 2-1j]]) >>> a array([[5.+2.j, 9.-2.j], [0.+2.j, 2.-1.j]]) >>> # with UPLO='L' this is numerically equivalent to using LA.eig() with: >>> b = np.array([[5.+0.j, 0.-2.j], [0.+2.j, 2.-0.j]]) >>> b array([[5.+0.j, 0.-2.j], [0.+2.j, 2.+0.j]]) >>> wa, va = LA.eigh(a) >>> wb, vb = LA.eig(b) >>> wa; wb array([1., 6.]) array([6.+0.j, 1.+0.j]) >>> va; vb array([[-0.4472136 +0.j , -0.89442719+0.j ], # may vary [ 0. +0.89442719j, 0. -0.4472136j ]]) array([[ 0.89442719+0.j , -0. +0.4472136j], [-0. +0.4472136j, 0.89442719+0.j ]])