numpy.linalg.eig总结

发表于 | 分类于

numpy.linalg.eig总结

问题缘由：帮同学解决一个问题，原本以为很简单，却因为基础不扎实意外的卡主了，看了好多技术博客，都没讲清楚甚至起了误导作用，直到看了官方文档才恍然大悟

numpy.linalg.eig
这是计算方阵的特征值和特征向量函数

参数：

一个：（…，M，M）数组
将为其计算特征值和右特征向量的矩阵

返回值：

w ： （…，M）数组———特征值
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。除非虚部为零，否则所得数组将为复杂类型，在这种情况下它将被强制转换为实型。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
v：（…，M，M）数组——–特征向量
归一化的（单位“长度”）特征向量，使得列v[:,i]是对应于特征值的特征向量w[i]。

代码示例：

1
2
3
4
5
6
import numpy as np
A = np.array([[0.465,0.32,0.233,0.523],[0.32,0.82,0.254,-0.07],[0.233,0.254,0.596,-0.382],[0.523,-0.07,-0.382,0.435]])
print('打印A：\n{}'.format(A))
a, b = np.linalg.eig(A)
print('打印特征值a：\n{}'.format(a))
print('打印特征向量b：\n{}'.format(b))

result

1
2
3
4
5
6
7
8
9
10
11
12
打印A：
[[ 0.465  0.32   0.233  0.523]
 [ 0.32   0.82   0.254 -0.07 ]
 [ 0.233  0.254  0.596 -0.382]
 [ 0.523 -0.07  -0.382  0.435]]
打印特征值a：
[-0.30599494  0.4110969   1.19902613  1.01187191]
打印特征向量b：
[[-0.62164476  0.37101483 -0.49092393  0.48466431]
 [ 0.12648963 -0.67049098 -0.72839633 -0.06229771]
 [ 0.40405689  0.63636272 -0.47694938 -0.45199537]
 [ 0.65901153  0.08850048 -0.03085079  0.74627052]]
0%