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])