numpy.linalg.eigvals #

利纳尔格。eigvals ( a ) [来源] #

计算一般矩阵的特征值。

eigvals和之间的主要区别eig：不返回特征向量。

参数：

一个(…, M, M) 类似数组: 将计算其特征值的复值或实值矩阵。

返回：

w (..., M,) ndarray: 特征值，每个特征值根据其多重性重复。它们不一定是有序的，也不一定是实数矩阵。

加薪：

林算法错误: 如果特征值计算不收敛。

也可以看看

eig: 一般数组的特征值和右特征向量
eigvalsh: 实对称或复埃尔米特（共轭对称）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。
scipy.linalg.eigvals: SciPy 中的类似功能。

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。

例子

插图，利用对角矩阵的特征值是其对角元素的事实，将左侧矩阵乘以正交矩阵Q，将右侧矩阵乘以QT （ Q的转置），保留“中”矩阵。换句话说，如果Q是正交的，则具有与相同的特征值：Q * A * Q.TA

>>> from numpy import linalg as LA
>>> x = np.random.random()
>>> Q = np.array([[np.cos(x), -np.sin(x)], [np.sin(x), np.cos(x)]])
>>> LA.norm(Q[0, :]), LA.norm(Q[1, :]), np.dot(Q[0, :],Q[1, :])
(1.0, 1.0, 0.0)

现在将一个对角矩阵的Q一侧乘以Q.T另一侧：

>>> D = np.diag((-1,1))
>>> LA.eigvals(D)
array([-1.,  1.])
>>> A = np.dot(Q, D)
>>> A = np.dot(A, Q.T)
>>> LA.eigvals(A)
array([ 1., -1.]) # random