numpy.linalg.eigvalsh#

linalg.eigvalsh(a, UPLO='L')[源代码]#

计算复厄米特矩阵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

一个复数或实数矩阵，用于计算其特征值。

UPLO{‘L’, ‘U’}, 可选

指定是使用 a 的下三角部分 (‘L’，默认) 还是上三角部分 (‘U’) 进行计算。无论此值如何，为了保持厄米特矩阵的概念，仅会考虑对角线的实部。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，根据其重数重复。

引发:
LinAlgError

如果特征值计算未收敛。

另请参阅

eigh

实对称或复厄米特（共轭对称）数组的特征值和特征向量。

eigvals

通用实数或复数数组的特征值。

eig

通用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。

备注

应用广播规则，有关详细信息，请参阅 numpy.linalg 文档。

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
array([1., 6.])
>>> wb
array([6.+0.j, 1.+0.j])
在此页面