scipy.linalg.eigvals¶

scipy.linalg.eigvals(a, b=None, overwrite_a=False, check_finite=True, homogeneous_eigvals=False)[源代码]¶

从普通或广义特征值问题计算特征值。

查找一般矩阵的特征值：：

a   vr[:,i] = w[i]        b   vr[:,i]

参数

a(M，M)类数组

将计算其特征值和特征向量的复矩阵或实矩阵。

b(M，M)array_like，可选

广义特征值问题中的右手边矩阵。如果省略，则假定为单位矩阵。

overwrite_a布尔值，可选

是否覆盖中的数据(可能会提高性能)

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)。

homogeneous_eigvals布尔值，可选

如果为True，则返回齐次坐标中的特征值。在这种情况下 w 是(2，M)数组，因此：：

w[1,i] a vr[:,i] = w[0,i] b vr[:,i]

默认值为False。

退货

w(M，)或(2，M)双或复数ndarray: 特征值，每个特征值根据其重数而不是以任何特定的顺序重复。形状为(M，)，除非 homogeneous_eigvals=True 。

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: 对称阵列或厄米阵列的特征值
eigvals_banded: 对称/厄米特带状矩阵的特征值
eigvalsh_tridiagonal: 对称/厄米特三对角阵的特征值

示例

>>> from scipy import linalg
>>> a = np.array([[0., -1.], [1., 0.]])
>>> linalg.eigvals(a)
array([0.+1.j, 0.-1.j])

>>> b = np.array([[0., 1.], [1., 1.]])
>>> linalg.eigvals(a, b)
array([ 1.+0.j, -1.+0.j])

>>> a = np.array([[3., 0., 0.], [0., 8., 0.], [0., 0., 7.]])
>>> linalg.eigvals(a, homogeneous_eigvals=True)
array([[3.+0.j, 8.+0.j, 7.+0.j],
       [1.+0.j, 1.+0.j, 1.+0.j]])

scipy.linalg.eig

scipy.linalg.eigh