numpy.linalg.eigvals#

linalg.eigvals(a)[source]#

计算一般矩阵的特征值。

eigvalseig 之间的主要区别:不返回特征向量。

参数:
a(…, M, M) array_like

将计算其特征值的复数或实数矩阵。

返回:
w(…, M,) ndarray

特征值,每个特征值根据其重数重复。它们不一定是有序的,也不一定对于实数矩阵是实数。

引发:
LinAlgError

如果特征值计算不收敛。

另请参阅

eig

一般数组的特征值和右特征向量

eigvalsh

实对称或复厄米特(共轭对称)数组的特征值。

eigh

实对称或复厄米特(共轭对称)数组的特征值和特征向量。

scipy.linalg.eigvals

SciPy 中的类似函数。

备注

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。

这是使用 _geev LAPACK 例程实现的,这些例程计算一般方阵的特征值和特征向量。

示例

说明,利用对角矩阵的特征值是其对角元素这一事实,将矩阵在左侧乘以正交矩阵 Q,在右侧乘以 Q.TQ 的转置),保留“中间”矩阵的特征值。换句话说,如果 Q 是正交的,则 Q * A * Q.TA 具有相同的特征值

>>> import numpy as np
>>> from numpy import linalg as LA
>>> x = np.random.random()
>>> Q = np.array([[np.cos(x), -np.sin(x)], [np.sin(x), np.cos(x)]])
>>> LA.norm(Q[0, :]), LA.norm(Q[1, :]), np.dot(Q[0, :],Q[1, :])
(1.0, 1.0, 0.0)

现在将对角矩阵的一侧乘以 Q,另一侧乘以 Q.T

>>> D = np.diag((-1,1))
>>> LA.eigvals(D)
array([-1.,  1.])
>>> A = np.dot(Q, D)
>>> A = np.dot(A, Q.T)
>>> LA.eigvals(A)
array([ 1., -1.]) # random