numpy求解矩阵的特征值和特征向量

代码如下:

#-*- encoding:utf-8 -*-
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
import numpy as np
from numpy import *
# X=[ [1,2,1,1],
#     [3,3,1,2],
#     [3,5,4,3],
#     [5,4,5,4],
#     [5,6,1,5],
#     [6,5,2,6],
#     [8,7,1,2],
#     [9,8,3,7]]
# X=np.array(X).T#这里注意,[1,2,1,1]在numpy的眼中是一列
 
 
np.linalg.eig
X=[[-1,1,0],
[-4,3,0],
[1,0,2]]
 
print"X=",X
X=matrix(X)
 
print"------------------下面计算原始矩阵的特征值和特征向量-----------------------"
eigenvalue,featurevector=np.linalg.eig(X)
print"原始矩阵的特征值"
print"eigenvalue=",eigenvalue
print"featurevector=",featurevector

下面是百度经验的上的一个计算实例,与上面代码对应

https://jingyan.baidu.com/album/27fa7326afb4c146f8271ff3.html?picindex=9
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
最终我们可以得到运行结果是:

eigenvalue= [ 2. 1. 1.]
featurevector= [[ 0. 0.40824829 0.40824829]
[ 0. 0.81649658 0.81649658]
[ 1. -0.40824829 -0.40824829]]


所以λ=2时,特征向量=[0,0,1]

λ=1时,特征向量=[0.40824829,0.81649658, -0.40824829],可以看到,代码结果与百度经验上的ppt的结果完全一致。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值