numpy.linalg.eigvals¶

linalg.eigvals(a)[源代码]¶

计算一般矩阵的特征值。

主要区别在于 eigvals 和 eig ：不会返回特征向量。

参数

a（…，m，m）数组类: 一个复值或实值矩阵，其特征值将被计算出来。

返回

w（…，m，）天: 特征值，每一个根据其多重性重复。它们不一定是有序的，也不一定是实矩阵的实矩阵。

加薪

LinAlgError: 如果特征值计算不收敛。

参见

eig: 一般阵列的特征值和右特征向量
eigvalsh: 实对称或复厄米特（共轭对称）阵列的特征值。
eigh: 实对称或复厄米特（共轭对称）阵列的特征值和特征向量。
scipy.linalg.eigvals: 在SciPy中有类似的功能。

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。

这是使用 _geev 计算一般方阵的特征值和特征向量的LAPACK程序。

实例

利用对角矩阵的特征值是其对角元素这一事实，将左边的矩阵乘以正交矩阵， Q 在右边 Q.T （换位 Q ）保留“中间”矩阵的特征值。换句话说，如果 Q 是正交的，那么 Q * A * Q.T 特征值与 A ：

>>> from numpy import linalg as LA
>>> x = np.random.random()
>>> Q = np.array([[np.cos(x), -np.sin(x)], [np.sin(x), np.cos(x)]])
>>> LA.norm(Q[0, :]), LA.norm(Q[1, :]), np.dot(Q[0, :],Q[1, :])
(1.0, 1.0, 0.0)

现在将对角矩阵乘以 Q 在一边和旁边 Q.T 另一方面：

>>> D = np.diag((-1,1))
>>> LA.eigvals(D)
array([-1.,  1.])
>>> A = np.dot(Q, D)
>>> A = np.dot(A, Q.T)
>>> LA.eigvals(A)
array([ 1., -1.]) # random

numpy.linalg.eigh numpy.linalg.eigvalsh