线性代数Python计算：对称矩阵的对角化

戌崂石

已于 2024-05-21 18:47:03 修改

阅读量2.1k

点赞数

分类专栏：线性代数文章标签：线性代数矩阵 python

于 2022-06-16 17:12:30 首次发布

本文链接：https://blog.csdn.net/u012958850/article/details/125319454

版权

线性代数专栏收录该内容

30 篇文章 14 订阅

订阅专栏

这篇博客介绍了如何利用numpy.linalg.eigh函数计算对称矩阵的特征值和正交特征向量。通过实例展示了如何设置矩阵A，并演示了如何获取特征值和正交矩阵P，以及验证A与对角阵合同的正交矩阵P的过程。文章强调了正确理解和应用线性代数函数在数值计算中的重要性。

摘要由CSDN通过智能技术生成

在这里插入图片描述
numpy.linalg包提供了函数
$\text{eigh(A)}$
计算并返回参数A表示的对称矩阵的特征值v和由特征向量经过标准正交化后构成正交矩阵P。其中返还的特征值数组v中元素按升序排列，P中的各列对应属于v中特征值的特征向量。
例1 用Python计算使得矩阵 $\boldsymbol{A}=\begin{pmatrix}2&2&-2\\2&5&-4\\-2&-4&5\end{pmatrix}$ 与对角阵合同的正交矩阵 $\boldsymbol{P}$ 。

import numpy as np                              #导入numpy
np.set_printoptions(precision=4, suppress=True) #设置输出精度
A=np.array([[2,2,-2],                           #设置矩阵A
            [2,5,-4],
            [-2,-4,5]])
v,P=np.linalg.eigh(A)                           #计算A的特征值和正交特征向量
print(v)
print(P)
print(np.matmul(np.matmul(P.T,A),P))            #验证A与对角阵合同

程序的第3~5行设置矩阵数据A。第6行调用numpy.linalg包的函数eigh，计算矩阵参数A的特征值v和正交特征向量组成的正交矩阵P。第7、8行分别输出v和P，第9行调用numpy的matmul函数计算矩阵的积 $\boldsymbol{P}^{\text{T}}\boldsymbol{AP}$ 并输出。运行程序，输出

[ 1.  1. 10.]
[[-0.9314 -0.1464 -0.3333]
 [ 0.1231  0.7351 -0.6667]
 [-0.3426  0.6619  0.6667]]
[[ 1. -0. -0.]
 [ 0.  1.  0.]
 [-0.  0. 10.]]

第1行输出的是 $\boldsymbol{A}$ 的3个特征值1，1，10。接下来输出的是正交特征向量构成的正交阵 $\boldsymbol{P}$ 。最后输出验证了 $\boldsymbol{P}^{\text{T}}\boldsymbol{AP}$ 确实为由特征值构成的对角阵 $\begin{pmatrix}1&0&0\\0&1&0\\0&0&10\end{pmatrix}$ 。
写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。