numpy.linalg.eigvalsh¶

linalg.eigvalsh(a, UPLO='L')[源代码]¶

计算复厄米特矩阵或实对称矩阵的特征值。

与特征值的主要区别：没有计算特征向量。

参数

a（…，m，m）数组类: 要计算其特征值的复值或实值矩阵。
UPLO'L'、'U'，可选: 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。

返回

w（…，m，）天: 特征值按升序排列，每个特征值都根据其多重性重复。

加薪

LinAlgError: 如果特征值计算不收敛。

参见

eigh: 实对称或复厄米特（共轭对称）阵列的特征值和特征向量。
eigvals: 一般实阵或复阵的特征值。
eig: 一般实阵或复阵的特征值和右特征向量。
scipy.linalg.eigvalsh: 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。

特征值用LAPACK程序计算 _syevd ， _heevd .

实例

>>> from numpy import linalg as LA
>>> a = np.array([[1, -2j], [2j, 5]])
>>> LA.eigvalsh(a)
array([ 0.17157288,  5.82842712]) # may vary

>>> # 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.eigvals()
>>> # 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 = LA.eigvalsh(a)
>>> wb = LA.eigvals(b)
>>> wa; wb
array([1., 6.])
array([6.+0.j, 1.+0.j])

numpy.linalg.eigvals numpy.linalg.norm