numpy.linalg.eigvalsh#

linalg.eigvalsh(a, UPLO='L')[源代码]#

计算复 Hermitian 或实对称矩阵的特征值。

与 eigh 的主要区别：不计算特征向量。

参数:
a(…, M, M) array_like

要计算其特征值的复值或实值矩阵。

UPLO{‘L’, ‘U’}, 可选

指定使用 a 的下三角部分（‘L’，默认）还是上三角部分（‘U’）进行计算。 不论此值如何，计算中只考虑对角线的实部，以保留 Hermitian 矩阵的概念。 因此，对角线的虚部将始终被视为零。

返回:
w(…, M,) ndarray

按升序排列的特征值，每个特征值根据其重数重复。

引发:
LinAlgError

如果特征值计算不收敛。

另请参阅

eigh

实对称或复 Hermitian（共轭对称）数组的特征值和特征向量。

eigvals

一般实数或复数数组的特征值。

eig

一般实数或复数数组的特征值和右特征向量。

scipy.linalg.eigvalsh

SciPy 中的类似函数。

说明

应用广播规则，请参阅 numpy.linalg 文档了解详细信息。

特征值是使用 LAPACK 例程 _syevd, _heevd 计算的。

示例

>>> import numpy as np
>>> from numpy import linalg as LA
>>> a = np.array([[1, -2j], [2j, 5]])
>>> LA.eigvalsh(a)
array([ 0.17157288,  5.82842712]) # may vary

>>> # demonstrate the treatment of the imaginary part of the diagonal
>>> a = np.array([[5+2j, 9-2j], [0+2j, 2-1j]])
>>> a
array([[5.+2.j, 9.-2.j],
       [0.+2.j, 2.-1.j]])
>>> # with UPLO='L' this is numerically equivalent to using LA.eigvals()
>>> # with:
>>> b = np.array([[5.+0.j, 0.-2.j], [0.+2.j, 2.-0.j]])
>>> b
array([[5.+0.j, 0.-2.j],
       [0.+2.j, 2.+0.j]])
>>> wa = LA.eigvalsh(a)
>>> wb = LA.eigvals(b)
>>> wa; wb
array([1., 6.])
array([6.+0.j, 1.+0.j])
在本页