numpy.linalg.eigvalsh #
- 利纳尔格。eigvalsh ( a , UPLO = 'L' ) [来源] #
计算复数埃尔米特矩阵或实对称矩阵的特征值。
与 eigh 的主要区别:不计算特征向量。
- 参数:
- 一个(…, M, M) 类似数组
要计算其特征值的复数或实数矩阵。
- 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:
- w (..., M,) ndarray
特征值按升序排列,每个特征值根据其重数重复。
- 加薪:
- 林算法错误
如果特征值计算不收敛。
也可以看看
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。
eigvals
一般实数或复数数组的特征值。
eig
一般实数或复数数组的特征值和右特征向量。
scipy.linalg.eigvalsh
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。特征值是使用 LAPACK 例程计算的
_syevd
。_heevd
例子
>>> from numpy import linalg as LA >>> a = np.array([[1, -2j], [2j, 5]]) >>> LA.eigvalsh(a) array([ 0.17157288, 5.82842712]) # may vary
>>> # 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.eigvals() >>> # 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 = LA.eigvalsh(a) >>> wb = LA.eigvals(b) >>> wa; wb array([1., 6.]) array([6.+0.j, 1.+0.j])