scipy.linalg.svdvals¶
- scipy.linalg.svdvals(a, overwrite_a=False, check_finite=True)[源代码]¶
计算矩阵的奇异值。
- 参数
- a(M,N)类数组
要分解的矩阵。
- overwrite_a布尔值,可选
是否覆盖 a ;可以提高性能。默认值为False。
- 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
- s(min(M,N),)ndarray
奇异值,按降序排序。
- 加薪
- LinAlgError
如果奇异值分解计算不收敛。
注意事项
svdvals(a)
唯一不同的是svd(a, compute_uv=False)
通过它对Empty的边缘情况的处理a
,其中它返回一个空序列:>>> a = np.empty((0, 2)) >>> from scipy.linalg import svdvals >>> svdvals(a) array([], dtype=float64)
示例
>>> from scipy.linalg import svdvals >>> m = np.array([[1.0, 0.0], ... [2.0, 3.0], ... [1.0, 1.0], ... [0.0, 2.0], ... [1.0, 0.0]]) >>> svdvals(m) array([ 4.28091555, 1.63516424])
我们可以验证的最大奇异值 m 通过计算 m.dot(u) 在所有的单位向量上 u 在(x,y)平面上。我们用大样本近似“所有”单位向量。由于线性关系,我们只需要带角的单位矢量 [0,圆周率] 。
>>> t = np.linspace(0, np.pi, 2000) >>> u = np.array([np.cos(t), np.sin(t)]) >>> np.linalg.norm(m.dot(u), axis=0).max() 4.2809152422538475
p 是秩为1的投影矩阵。用精确算术,它的奇异值为 [1,0,0,0] 。
>>> v = np.array([0.1, 0.3, 0.9, 0.3]) >>> p = np.outer(v, v) >>> svdvals(p) array([ 1.00000000e+00, 2.02021698e-17, 1.56692500e-17, 8.15115104e-34])
正交矩阵的奇异值都是1。在这里,我们使用 rvs() 一种方法
scipy.stats.ortho_group
。>>> from scipy.stats import ortho_group >>> orth = ortho_group.rvs(4) >>> svdvals(orth) array([ 1., 1., 1., 1.])