numpy.linalg.eigh¶
-
numpy.linalg.
eigh
(a, UPLO='L')[source]¶ 返回Hermitian或对称矩阵的特征值和特征向量。
返回两个对象,一个包含a的特征值的1-D数组,以及对应的特征向量(在列中)的2-D方组数组或矩阵(取决于输入类型)。
参数: a:(...,M,M)数组
Hermitian /对称矩阵,其特征值和特征向量将被计算。
UPLO:{'L','U'},可选
指定是使用a('L',默认值)或上三角形部分('U')的下三角形部分进行计算。
返回: w:(...,M)ndarray
特征值按升序排列,每个根据其多样性重复。
v:{(...,M,M)ndarray,(...,M,M)
列
v [:, i]
是对应于特征值w[i]
的归一化特征向量。如果a是一个矩阵对象,将返回一个矩阵对象。上升: LinAlgError
如果特征值计算不收敛。
笔记
版本1.8.0中的新功能。
广播规则适用,有关详细信息,请参阅
numpy.linalg
文档。使用LAPACK例程_syevd,_heevd来计算特征值/特征向量
真对称或复杂Hermitian矩阵的特征值总是真实的。[R38](列)特征向量的数组v是酉的,并且a,w和v满足方程
dot(a, v [:, i]) = t9 > w [i] * v [:, i]
。参考文献
[R38] (1,2) G. Strang,线性代数及其应用,第2版,Orlando,FL ,Academic Press,Inc.,1980,222. 例子
>>> from numpy import linalg as LA >>> a = np.array([[1, -2j], [2j, 5]]) >>> a array([[ 1.+0.j, 0.-2.j], [ 0.+2.j, 5.+0.j]]) >>> w, v = LA.eigh(a) >>> w; v array([ 0.17157288, 5.82842712]) array([[-0.92387953+0.j , -0.38268343+0.j ], [ 0.00000000+0.38268343j, 0.00000000-0.92387953j]])
>>> np.dot(a, v[:, 0]) - w[0] * v[:, 0] # verify 1st e-val/vec pair array([2.77555756e-17 + 0.j, 0. + 1.38777878e-16j]) >>> np.dot(a, v[:, 1]) - w[1] * v[:, 1] # verify 2nd e-val/vec pair array([ 0.+0.j, 0.+0.j])
>>> A = np.matrix(a) # what happens if input is a matrix object >>> A matrix([[ 1.+0.j, 0.-2.j], [ 0.+2.j, 5.+0.j]]) >>> w, v = LA.eigh(A) >>> w; v array([ 0.17157288, 5.82842712]) matrix([[-0.92387953+0.j , -0.38268343+0.j ], [ 0.00000000+0.38268343j, 0.00000000-0.92387953j]])