numpy.linalg.eigh #
- 利纳尔格。eigh ( a , UPLO = 'L' ) [来源] #
返回复数 Hermitian(共轭对称)或实数对称矩阵的特征值和特征向量。
返回两个对象,一个包含 a 特征值的一维数组,以及相应特征向量(以列为单位)的二维方阵或矩阵(取决于输入类型)。
- 参数:
- 一个(…, M, M) 数组
要计算其特征值和特征向量的埃尔米特或实对称矩阵。
- UPLO {'L', 'U'},可选
指定计算是使用a的下三角部分(“L”,默认)还是上三角部分(“U”)完成。无论该值如何,在计算中仅考虑对角线的实部以保留埃尔米特矩阵的概念。因此,对角线的虚部将始终被视为零。
- 返回:
- 具有以下属性的命名元组:
- 特征值(…, M) ndarray
特征值按升序排列,每个特征值根据其重数重复。
- 特征向量{(…, M, M) ndarray, (…, M, M) 矩阵}
该列是与特征值 对应的归一化特征向量。如果a是矩阵对象,则返回一个矩阵对象。
eigenvectors[:, i]
eigenvalues[i]
- 加薪:
- 林算法错误
如果特征值计算不收敛。
也可以看看
eigvalsh
实对称或复埃尔米特(共轭对称)数组的特征值。
eig
非对称数组的特征值和右特征向量。
eigvals
非对称数组的特征值。
scipy.linalg.eigh
SciPy 中的类似函数(但也解决了广义特征值问题)。
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。特征值/特征向量是使用 LAPACK 例程计算的
_syevd
。_heevd
实对称或复埃尔米特矩阵的特征值始终是实数。[1] (列)特征向量的数组特征值是酉的,并且 a、特征值和特征向量满足方程。
dot(a, eigenvectors[:, i]) = eigenvalues[i] * eigenvectors[:, i]
参考
[ 1 ]G. Strang,线性代数及其应用,第二版,佛罗里达州奥兰多,Academic Press, Inc.,1980 年,第 17 页。 222.
例子
>>> from numpy import linalg as LA >>> a = np.array([[1, -2j], [2j, 5]]) >>> a array([[ 1.+0.j, -0.-2.j], [ 0.+2.j, 5.+0.j]]) >>> eigenvalues, eigenvectors = LA.eigh(a) >>> eigenvalues array([0.17157288, 5.82842712]) >>> eigenvectors array([[-0.92387953+0.j , -0.38268343+0.j ], # may vary [ 0. +0.38268343j, 0. -0.92387953j]])
>>> np.dot(a, eigenvectors[:, 0]) - eigenvalues[0] * eigenvectors[:, 0] # verify 1st eigenval/vec pair array([5.55111512e-17+0.0000000e+00j, 0.00000000e+00+1.2490009e-16j]) >>> np.dot(a, eigenvectors[:, 1]) - eigenvalues[1] * eigenvectors[:, 1] # verify 2nd eigenval/vec pair array([0.+0.j, 0.+0.j])
>>> A = np.matrix(a) # what happens if input is a matrix object >>> A matrix([[ 1.+0.j, -0.-2.j], [ 0.+2.j, 5.+0.j]]) >>> eigenvalues, eigenvectors = LA.eigh(A) >>> eigenvalues array([0.17157288, 5.82842712]) >>> eigenvectors matrix([[-0.92387953+0.j , -0.38268343+0.j ], # may vary [ 0. +0.38268343j, 0. -0.92387953j]])
>>> # 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.eig() 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, va = LA.eigh(a) >>> wb, vb = LA.eig(b) >>> wa; wb array([1., 6.]) array([6.+0.j, 1.+0.j]) >>> va; vb array([[-0.4472136 +0.j , -0.89442719+0.j ], # may vary [ 0. +0.89442719j, 0. -0.4472136j ]]) array([[ 0.89442719+0.j , -0. +0.4472136j], [-0. +0.4472136j, 0.89442719+0.j ]])