scipy.linalg.

eig_banded

scipy.linalg.eig_banded(a_band, lower=False, eigvals_only=False, overwrite_a_band=False, select='a', select_range=None, max_ev=0, check_finite=True)

求解实对称或复Hermitian带矩阵的特征值问题。

找到特征值 w 和可选的右特征向量 v 的 a:

a v[:,i] = w[i] v[:,i]
v.H v    = identity

矩阵 a 存储在 a_band 中，可以是下对角线或上对角线有序形式：

a_band[u + i - j, j] == a[i,j] (如果是上三角形式; i <= j) a_band[ i - j, j] == a[i,j] (如果是下三角形式; i >= j)

其中 u 是主对角线上方的带数。

a_band 的示例（a 的形状为 (6,6)，u=2）:

upper form:
*   *   a02 a13 a24 a35
*   a01 a12 a23 a34 a45
a00 a11 a22 a33 a44 a55

lower form:
a00 a11 a22 a33 a44 a55
a10 a21 a32 a43 a54 *
a20 a31 a42 a53 *   *

标记为 * 的单元格未被使用。

参数:

a_band(u+1, M) array_like

M 乘 M 矩阵 a 的带状部分。

下限bool, 可选

矩阵是否为下三角形式。（默认是上三角形式）

eigvals_onlybool, 可选

仅计算特征值，不计算特征向量。（默认：同时计算特征向量）

覆盖一个波段bool, 可选

丢弃 a_band 中的数据（可能会提高性能）

选择{‘a’, ‘v’, ‘i’}, 可选

计算哪些特征值

选择	计算的
‘a’	所有特征值
‘v’	区间 (min, max] 中的特征值
‘我’	特征值与索引 min <= i <= max

选择范围(最小值, 最大值), 可选

选定特征值的范围

max_evint, 可选

对于 select==’v’，预期的最大特征值数量。对于其他 select 值，没有意义。

如有疑问，请不要更改此参数。

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、非终止）。

返回:

w(M,) ndarray

特征值，按升序排列，每个特征值根据其重数重复。

v(M, M) 浮点数或复数 ndarray

对应于特征值 w[i] 的归一化特征向量是列 v[:,i]。仅在 eigvals_only=False 时返回。

Raises:

LinAlgError

如果特征值计算不收敛。

参见

eigvals_banded

对称/厄米带矩阵的特征值

eig

一般数组的特征值和右特征向量。

eigh

对称/厄米数组的特征值和右特征向量

eigh_tridiagonal

对称/厄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.linalg import eig_banded
>>> A = np.array([[1, 5, 2, 0], [5, 2, 5, 2], [2, 5, 3, 5], [0, 2, 5, 4]])
>>> Ab = np.array([[1, 2, 3, 4], [5, 5, 5, 0], [2, 2, 0, 0]])
>>> w, v = eig_banded(Ab, lower=True)
>>> np.allclose(A @ v - v @ np.diag(w), np.zeros((4, 4)))
True
>>> w = eig_banded(Ab, lower=True, eigvals_only=True)
>>> w
array([-4.26200532, -2.22987175,  3.95222349, 12.53965359])

仅请求特征值在 [-3, 4] 之间

>>> w, v = eig_banded(Ab, lower=True, select='v', select_range=[-3, 4])
>>> w
array([-2.22987175,  3.95222349])

Go BackOpen In Tab