numpy.linalg.eig 计算方阵的特征值和右特征向量

方阵特征值与特征向量计算

在许多科学和工程领域中，计算方阵的特征值和特征向量是一个常见的任务。以下是关于如何使用NumPy的linalg.eig函数进行此操作的详细介绍及其注意事项。

函数定义

import numpy as np
from numpy.linalg import eig

输入参数

• a: 一个形状为 (..., M, M) 的数组，表示所要计算特征值和特征向量的方阵。

返回结果

• w: 一个形状为 (..., M) 的数组，包含特征值。特征值可能是复数类型，除非它的虚部为零，此时它将被转换为实数。对于实数矩阵，特征值要么是实数，要么以共轭对的形式出现。

• v: 一个形状为 (..., M, M) 的数组，包含归一化的特征向量。数组的列 v[:, :, i] 对应于特征值 w[i]。

示例

import numpy as np
from numpy.linalg import eig

# 示例 1: 使用对角矩阵
a1 = np.diag((1, 2, 3))
w1, v1 = eig(a1)
print("特征值:", w1)
print("特征向量:", v1)

# 示例 2: 具有复数特征值的矩阵
a2 = np.array([[1, -1], [1, 1]])
w2, v2 = eig(a2)
print("特征值:", w2)
print("特征向量:", v2)

# 示例 3: Hermitian 矩阵
a3 = np.array([[1, 1j], [-1j, 1]])
w3, v3 = eig(a3)
print("特征值:", w3)
print("特征向量:", v3)

# 示例 4: 舍入误差
a4 = np.array([[1 + 1e-9, 0], [0, 1 - 1e-9]])
w4, v4 = eig(a4)
print("特征值:", w4)
print("特征向量:", v4)

注意事项

1. 收敛性: 如果特征值计算不收敛，将引发 LinAlgError。

2. 线性相关性: 特征向量可能并不总是线性无关，即某些列可能是线性相关的。这通常发生在特征值重复时。

3. 实数与复数特征值: 对于实数矩阵，特征值将是实数或复共轭的形式。而对于复数矩阵，特征值可以是任意复数。

4. 最大等级: 输出的特征向量矩阵 v 不一定是最大等级的，即其列可能是线性相关的。

5. Hermitian 矩阵: 对于正常矩阵（即 A 和 A^H 的乘积相等），特征向量矩阵 v 是酉的。

6. 舍入误差: 在实际计算中，舍入误差可能影响结果。对接近的特征值，应当谨慎评估其有效性。

参考文献

• G. Strang, Linear Algebra and Its Applications, 2nd Ed., Academic Press, 1980.
• NumPy Documentation on linalg.eig.

通过此方式，你可以在使用 NumPy 的 linalg.eig 计算特征值和特征向量时更加清晰与高效。