scipy.linalg.

eig

scipy.linalg.eig(a, b=None, left=False, right=True, overwrite_a=False, overwrite_b=False, check_finite=True, homogeneous_eigvals=False)

求解方阵的普通或广义特征值问题。

找到一般矩阵的特征值 w 和右或左特征向量:

a   vr[:,i] = w[i]        b   vr[:,i]
a.H vl[:,i] = w[i].conj() b.H vl[:,i]

其中 .H 是厄米共轭。

参数:

a(M, M) array_like

一个复数或实数矩阵，其特征值和特征向量将被计算。

b(M, M) array_like, 可选

广义特征值问题中的右侧矩阵。默认是 None，假设为单位矩阵。

左bool, 可选

是否计算并返回左特征向量。默认是 False。

右bool, 可选

是否计算并返回右特征向量。默认值为 True。

overwrite_abool, 可选

是否覆盖 a；可能会提高性能。默认是 False。

overwrite_bbool, 可选

是否覆盖 b；可能会提高性能。默认是 False。

check_finitebool, 可选

是否检查输入矩阵是否仅包含有限数值。禁用可能会提高性能，但如果输入包含无穷大或NaN，可能会导致问题（崩溃、无法终止）。

homogeneous_eigvalsbool, 可选

如果为真，返回齐次坐标中的特征值。在这种情况下，w 是一个 (2, M) 数组，使得:

w[1,i] a vr[:,i] = w[0,i] b vr[:,i]

默认是 False。

返回:

w(M,) 或 (2, M) 双精度或复数 ndarray

特征值，每个根据其重数重复。形状为 (M,)，除非 homogeneous_eigvals=True。

vl(M, M) 双精度或复数 ndarray

对应于特征值 w[i] 的左特征向量是列 vl[:,i]。仅在 left=True 时返回。左特征向量未归一化。

vr(M, M) 双精度或复数 ndarray

对应于特征值 w[i] 的归一化右特征向量是列 vr[:,i]。仅在 right=True 时返回。

Raises:

LinAlgError

如果特征值计算不收敛。

参见

eigvals

一般数组的特征值

eigh

对称/厄米数组的特征值和右特征向量。

eig_banded

对称/厄米带矩阵的特征值和右特征向量

eigh_tridiagonal

对称/埃尔米特三对角矩阵的特征值和右特征向量

示例

Try it in your browser!

>>> import numpy as np
>>> from scipy import linalg
>>> a = np.array([[0., -1.], [1., 0.]])
>>> linalg.eigvals(a)
array([0.+1.j, 0.-1.j])

>>> b = np.array([[0., 1.], [1., 1.]])
>>> linalg.eigvals(a, b)
array([ 1.+0.j, -1.+0.j])

>>> a = np.array([[3., 0., 0.], [0., 8., 0.], [0., 0., 7.]])
>>> linalg.eigvals(a, homogeneous_eigvals=True)
array([[3.+0.j, 8.+0.j, 7.+0.j],
       [1.+0.j, 1.+0.j, 1.+0.j]])

>>> a = np.array([[0., -1.], [1., 0.]])
>>> linalg.eigvals(a) == linalg.eig(a)[0]
array([ True,  True])
>>> linalg.eig(a, left=True, right=False)[1] # normalized left eigenvector
array([[-0.70710678+0.j        , -0.70710678-0.j        ],
       [-0.        +0.70710678j, -0.        -0.70710678j]])
>>> linalg.eig(a, left=False, right=True)[1] # normalized right eigenvector
array([[0.70710678+0.j        , 0.70710678-0.j        ],
       [0.        -0.70710678j, 0.        +0.70710678j]])

Go BackOpen In Tab