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])