numpy.linalg.eigvalsh#
- linalg.eigvalsh(a, UPLO='L')[source]#
计算复厄米特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数或实数值矩阵。
- UPLO{‘L’, ‘U’}, 可选
指定计算是使用 a 的下三角部分(‘L’,默认)还是上三角部分(‘U’)。无论此值如何,在计算中只会考虑对角线的实部,以保留厄米特矩阵的概念。因此,对角线的虚部将始终被视为零。
- 返回值:
- 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
实对称或复厄米特(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。
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。特征值使用 LAPACK 例程
_syevd
、_heevd
计算。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])