矩阵的特征向量求法（n维方阵）及Python实现

矩阵的特征向量是与特征值相对应的非零向量，它们满足以下特征值方程：

Av=λv

其中，A 是一个方阵，v是特征向量，λ 是对应的特征值。求解特征向量通常涉及以下步骤：

1. 求特征值：

   • 计算矩阵 A的特征多项式，即 det⁡(A−λI)=0，其中 I 是单位矩阵。
   • 解特征多项式方程，得到特征值 λ。

2. 求特征向量：

   • 对于每个特征值 λ，将其代入方程 (A−λI)v=0。
   • 解这个线性方程组，找到非零解 v。这些非零解就是对应于特征值 λ 的特征向量。

具体步骤如下：

步骤 1：计算特征多项式

对于给定的 n×n 矩阵 A，计算特征多项式：

det⁡(A−λI)=0

这将给出一个关于 λ 的 n 次多项式。

步骤 2：求解特征值

解特征多项式方程，找到  的值。这些值就是矩阵 A 的特征值。

步骤 3：求解特征向量

对于每个特征值 ：

• 构造矩阵 。
• 解线性方程组 。
• 找到非零解 v，这些解就是对应于特征值  的特征向量。

其中，齐次线性方程组的解法参考齐次线性方程组通解的求解方法。

注意：

• 如果 A 是一个 n×n 矩阵，那么它最多有 n 个特征值（考虑重数）。
• 对于每个特征值，可能存在多个线性无关的特征向量。
• 如果矩阵 A 不可对角化，那么它可能没有 n 个线性无关的特征向量。
• 在实际计算中，可以使用数值方法来求解特征值和特征向量，例如幂迭代法、QR算法等。

在Python中，可以使用NumPy库中的numpy.linalg.eig函数来计算矩阵的特征值和特征向量：

import numpy as np

# 定义矩阵 A
A = np.array([[1, 2], [3, 4]])

# 计算特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(A)

print("特征值:", eigenvalues)
print("特征向量:", eigenvectors)

这段代码将输出矩阵 A 的特征值和对应的特征向量。