numpy求解矩阵的特征值和特征向量

python2.7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

上面的注释很多人在评论里面有争议，那我就详细写一下:

变量/值	解释
X=np.array(X).T	注释里面"[1,2,1,1]在numpy的眼中是一列" 说的是X， 这里的[1,2,1,1]已经是代码处理后的向量了   如果您觉得必须写上^T, 那是因为不同数学书规定不同， 有的数学书默认就是列向量， 有的默认就是横向量。   如果您曾经阅读过的数学书默认x不带^T是横向量， 那么对于上面的这句注释, 您在这里将它理解为[1,2,1,1]^T就好   np.dot(x,y)时，y被认为是列向量

注:

numpy里面不存在向量的概念，那个都是数组array

上面的注释只是根据需要写的。

 

 

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

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]^T

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

注意：

numpy的计算结果是经过单位化的，百度文库上的ppt单位化以后也是这个结果，所以是一致的。

 

--------------------------------------------注意----------------------------------------------------------------

这是我私人笔记，我不欠您们的，

如果您们不满意可以自己去写，也可以向CSDN客服举报。

①我不回复吧，我想想不太礼貌。

②回复吧，您们觉得不重要，是扯淡。

做事情之前，先自己反思下，学会怎么做人吧。

本人不再做任何回复，请勿留言，

本人不会删除您们的任何留言，请注意自己的措辞，做一个文明的人。