numpy.linalg.eig #

利纳尔格。eig ( a ) [来源] #

计算方阵的特征值和右特征向量。

参数
一个(…, M, M) 数组

将计算特征值和右特征向量的矩阵

返回
具有以下属性的命名元组:
特征值(…, M) 数组

特征值,每个特征值根据其多重性重复。特征值不一定是有序的。生成的数组将是复数类型,除非虚部为零,在这种情况下它将被转换为实数类型。当a 为实数时,所得特征值将为实数(0 虚部)或出现在共轭对中

特征向量(…, M, M) 数组

归一化(单位“长度”)特征向量,使得该列eigenvectors[:,i]是对应于特征值 的特征向量eigenvalues[i]

加薪
林算法错误

如果特征值计算不收敛。

也可以看看

eigvals

非对称数组的特征值。

eigh

实对称或复埃尔米特(共轭对称)数组的特征值和特征向量。

eigvalsh

实对称或复埃尔米特(共轭对称)数组的特征值。

scipy.linalg.eig

SciPy 中的类似函数也解决了广义特征值问题。

scipy.linalg.schur

酉矩阵和其他非厄米正规矩阵的最佳选择。

笔记

1.8.0 版本中的新增功能。

广播规则适用,numpy.linalg详细信息请参阅文档。

这是使用_geevLAPACK 例程来实现的,该例程计算一般方阵的特征值和特征向量。

如果存在向量v使得 ,则数字w是a的特征值。因此,数组a特征值特征向量满足以下方程:a @ v = w * va @ eigenvectors[:,i] = eigenvalues[i] * eigenvalues[:,i]\(i \in \{0,...,M-1\}\)

数组特征向量可能不是最大秩的,也就是说,某些列可能是线性相关的,尽管舍入误差可能会掩盖这一事实。如果特征值都不同,那么理论上特征向量是线性无关的,并且可以使用特征向量通过相似变换对a进行对角化,即,是对角的。inv(eigenvectors) @ a @ eigenvectors

对于非厄米特正规矩阵,scipy.linalg.schur 首选 SciPy 函数,因为保证矩阵特征向量是酉的,而使用 时情况并非如此eig。 Schur 分解产生上三角矩阵而不是对角矩阵,但对于普通矩阵,只需要上三角矩阵的对角线,其余的是舍入误差。

最后,需要强调的是,特征向量由a的右侧(如右侧)特征向量组成。满足某个数字z的向量y称为a特征向量,并且一般来说,矩阵的左特征向量和右特征向量不一定是彼此的(可能是共轭的)转置。y.T @ a = z * y.T

参考

G. Strang,线性代数及其应用,第二版,佛罗里达州奥兰多,学术出版社,1980 年,各页。

例子

>>> from numpy import linalg as LA

具有实特征值和特征向量的(几乎)简单示例。

>>> eigenvalues, eigenvectors = LA.eig(np.diag((1, 2, 3)))
>>> eigenvalues
array([1., 2., 3.])
>>> eigenvectors
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

具有复特征值和特征向量的实矩阵;请注意,特征值是彼此的复共轭。

>>> eigenvalues, eigenvectors = LA.eig(np.array([[1, -1], [1, 1]]))
>>> eigenvalues
array([1.+1.j, 1.-1.j])
>>> eigenvectors
array([[0.70710678+0.j        , 0.70710678-0.j        ],
       [0.        -0.70710678j, 0.        +0.70710678j]])

具有实特征值的复值矩阵(但特征向量为复值);请注意,即a是埃尔米特式的。a.conj().T == a

>>> a = np.array([[1, 1j], [-1j, 1]])
>>> eigenvalues, eigenvectors = LA.eig(a)
>>> eigenvalues
array([2.+0.j, 0.+0.j])
>>> eigenvectors
array([[ 0.        +0.70710678j,  0.70710678+0.j        ], # may vary
       [ 0.70710678+0.j        , -0.        +0.70710678j]])

注意舍入误差!

>>> a = np.array([[1 + 1e-9, 0], [0, 1 - 1e-9]])
>>> # Theor. eigenvalues are 1 +/- 1e-9
>>> eigenvalues, eigenvectors = LA.eig(a)
>>> eigenvalues
array([1., 1.])
>>> eigenvectors
array([[1., 0.],
       [0., 1.]])