scipy.linalg.eig_banded¶
- scipy.linalg.eig_banded(a_band, lower=False, eigvals_only=False, overwrite_a_band=False, select='a', select_range=None, max_ev=0, check_finite=True)[源代码]¶
解实对称或复厄米特带状矩阵特征值问题。
找出a::的特征值w和可选的右特征向量v
a v[:,i] = w[i] v[:,i] v.H v = identity
矩阵a以下对角线或上对角线排序形式存储在a_band中:
a_band [u + i - j, j] ==a [i,j] (如果是大写形式;i<=j)a_band [ i - j, j] ==a [i,j] (如果是小写形式;i>=j)
其中u是对角线上方的波段数。
a_band示例(a的形状为(6,6),u=2)::
upper form: * * a02 a13 a24 a35 * a01 a12 a23 a34 a45 a00 a11 a22 a33 a44 a55 lower form: a00 a11 a22 a33 a44 a55 a10 a21 a32 a43 a54 * a20 a31 a42 a53 * *
不使用标有*的单元格。
- 参数
- a_band(U+1,M)类阵列
M×M矩阵a的带。
- lower布尔值,可选
是较低形式的矩阵。(默认为大写形式)
- eigvals_only布尔值,可选
只计算特征值,不计算特征向量。(默认值:同时计算特征向量)
- overwrite_a_band布尔值,可选
丢弃a_band中的数据(可能会增强性能)
- select{‘a’,‘v’,‘i’},可选
要计算哪些特征值
选择
已计算
‘a’
所有特征值
“v”
区间内的特征值(最小、最大)
“我”
指标为min<=i<=max的特征值
- select_range(最小,最大),可选
选定特征值的范围
- max_ev整型,可选
对于SELECT==‘v’,预期的最大特征值数量。对于SELECT的其他值,没有任何意义。
如果有疑问,请保持此参数不变。
- check_finite布尔值,可选
是否检查输入矩阵是否仅包含有限个数字。禁用可能会带来性能提升,但如果输入确实包含无穷大或NAN,则可能会导致问题(崩溃、非终止)。
- 退货
- w(M,)ndarray
特征值按升序排列,每个特征值根据其重数重复。
- v(M,M)浮点阵或复数阵
对应于特征值w的归一化特征向量 [i] 是v列吗? [:,i] 。
- 加薪
- LinAlgError
如果特征值计算不收敛。
参见
eigvals_banded
对称/厄米特带状矩阵的特征值
eig
一般阵列的特征值和右特征向量。
eigh
对称/厄米特阵列的特征值和右特征向量
eigh_tridiagonal
对称/厄米特三对角阵的特征值和右特征向量
示例
>>> from scipy.linalg import eig_banded >>> A = np.array([[1, 5, 2, 0], [5, 2, 5, 2], [2, 5, 3, 5], [0, 2, 5, 4]]) >>> Ab = np.array([[1, 2, 3, 4], [5, 5, 5, 0], [2, 2, 0, 0]]) >>> w, v = eig_banded(Ab, lower=True) >>> np.allclose(A @ v - v @ np.diag(w), np.zeros((4, 4))) True >>> w = eig_banded(Ab, lower=True, eigvals_only=True) >>> w array([-4.26200532, -2.22987175, 3.95222349, 12.53965359])
仅请求之间的特征值
[-3, 4]
>>> w, v = eig_banded(Ab, lower=True, select='v', select_range=[-3, 4]) >>> w array([-2.22987175, 3.95222349])