【Python】Numpy–np.linalg.eig()求对称矩阵的特征值和特征向量

文章目录

【Python】Numpy--np.linalg.eig()求对称矩阵的特征值和特征向量
- 1. 介绍
- 2. API
- 3. 代码示例

1. 介绍

特征分解（Eigendecomposition），又称谱分解（Spectral decomposition）是将矩阵分解为由其特征值和特征向量表示的矩阵之积的方法。

需要注意：只有对可对角化矩阵才可以施以特征分解。
当方阵的行列式不为0时，它才可以特征分解。
对称矩阵的行列式不为0。故实对称矩阵 A 可被分解成：
A=QΛQTA = QΛ Q^T A=QΛQTΛ是特征值构成的对角矩阵，Q为特征向量构成的矩阵（每列为一个特征向量）。

2. API

Numpy提供了丰富的API：

求矩阵的特征值和特征向量；
求矩阵的行列式
求方阵的逆

import numpy as np
# 计算特征值和特征向量
x, V = np.linalg.eig(A)# 计算矩阵的行列式
det = np.linalg.det(A)# 计算方阵的逆
A_inv = np.linalg.inv(A)

3. 代码示例

import numpy as npA = np.array([[0, 1, 2, 3],[1, 0, 3, 1],[2, 3, 0, 2],[3, 1, 2, 0]])x, V = np.linalg.eig(A)V_inv = np.linalg.inv(V)print('A的行列式', np.linalg.det(A))# 注意这里：且不可使用‘*’做乘法（因为*优先使用点乘，点乘不成立，才会进行矩阵乘法）
B = np.matmul(np.matmul(V, np.diag(x)), (V_inv))print('特征值x: \n', x)print('特征向量V: \n', V)print('V_T: \n', V.T)print('V_inv: \n', V_inv)print('B: \n', B)-----------------------------输出-----------------------------------
A的行列式 9.000000000000009
特征值x:[ 6.05572176  0.15432761 -3.         -3.21004937]
特征向量V:[[-5.03020107e-01 -4.75446017e-01 -7.07106781e-01 -1.44643895e-01][-4.38300211e-01  6.51958757e-01 -2.36695808e-17 -6.18742842e-01][-5.49394638e-01  3.50502424e-01 -1.50578103e-16  7.58494287e-01][-5.03020107e-01 -4.75446017e-01  7.07106781e-01 -1.44643895e-01]]
V_T:[[-5.03020107e-01 -4.38300211e-01 -5.49394638e-01 -5.03020107e-01][-4.75446017e-01  6.51958757e-01  3.50502424e-01 -4.75446017e-01][-7.07106781e-01 -2.36695808e-17 -1.50578103e-16  7.07106781e-01][-1.44643895e-01 -6.18742842e-01  7.58494287e-01 -1.44643895e-01]]
V_inv:[[-5.03020107e-01 -4.38300211e-01 -5.49394638e-01 -5.03020107e-01][-4.75446017e-01  6.51958757e-01  3.50502424e-01 -4.75446017e-01][-7.07106781e-01 -8.99464510e-16  8.86986655e-16  7.07106781e-01][-1.44643895e-01 -6.18742842e-01  7.58494287e-01 -1.44643895e-01]]
B:
[[ 1.71102595e-15  1.00000000e+00  2.00000000e+00  3.00000000e+00][ 1.00000000e+00  9.30160211e-16  3.00000000e+00  1.00000000e+00][ 2.00000000e+00  3.00000000e+00 -2.20312258e-16  2.00000000e+00][ 3.00000000e+00  1.00000000e+00  2.00000000e+00  1.88043220e-15]]

【Python】Numpy--np.linalg.eig()求对称矩阵的特征值和特征向量相关推荐

c语言求矩阵特征值的程序,如何用C语言编写求对称矩阵的特征值和特征向量的程序编写对称矩阵的特征值和特征向量,其中矩阵用二维数组保存.特征向量要求有大到小放到数组里....
优质解答 //数值计算程序-特征值和特征向量 // //约化对称矩阵为三对角对称矩阵 //利用Householder变换将n阶实对称矩阵约化为对称三对角矩阵 //a-长度为n*n的数组,存放n阶实对称 ...
雅可比旋转（Jacobi法）求对称矩阵的特征值和特征向量
雅可比方法该方法是求解对称矩阵全部特征值和特征向量的一种方法,它基于以下结论: ①任何实对称矩阵A可以通过正交相似变换成对角型,即存在正交矩阵Q,使得 QTAQ=diag(λ1,λ2,-,λn)Q^ ...
如何计算方阵的特征值和特征向量np.linalg.eig()
关于这部分的理论知识可以参考我的这篇博客<特征值与特征向量>定义.意义及例子,下面主要介绍如何计算方阵的特征值和特征向量目录 1.np.linalg.eig() 2.例子 3. 应用 4 ...
numpy求矩阵的特征值与特征向量(np.linalg.eig函数详解)
numpy求矩阵的特征值与特征向量(np.linalg.eig) 语法 np.linalg.eig(a) 功能 Compute the eigenvalues and right eigenvecto ...
雅可比主对角线(Jacobi diagonalization)化求对称矩阵的特征值(python,数值积分)
第三十篇雅可比主对角线化求对称矩阵的特征值对于标准特征值方程由特征值问题编程基础可知,对于任何非0解矩阵[P],标准方程可以转化为具有相同特征值的方程其中这种转换技术的关键核心在于[A *] ...
python numpy np.argsort()（返回将对数组进行排序的索引）（不懂区别？）
from numpy\core\fromnumeric.py @array_function_dispatch(_argsort_dispatcher) def argsort(a, axis=-1, ...
python numpy np.lexsort()（使用键序列执行间接稳定排序）（具体没太搞懂区别？）
from numpy\core_multiarray_umath.py @array_function_from_c_func_and_dispatcher(_multiarray_umath.lex ...
(python numpy) np.array.shape 中 (3,)、(3,1)、(1,3)的区别
(python numpy) np.array.shape 中 (3,).(3,1).(1,3)的区别被人问到这个问题,就记录一下吧 1. (3,) (3,)是[x,y,z][x,y,z][x,y, ...
python求雅可比矩阵_雅可比算法求矩阵的特征值和特征向量
目的求一个实对称矩阵的所有特征值和特征向量. 前置知识对于一个实对称矩阵$A$,必存在对角阵$D$和正交阵$U$满足$$D=U^TAU$$$D$的对角线元素为$A$的特征值,\ ...

【Python】Numpy--np.linalg.eig()求对称矩阵的特征值和特征向量

【Python】Numpy–np.linalg.eig()求对称矩阵的特征值和特征向量

文章目录

1. 介绍

2. API

3. 代码示例

【Python】Numpy--np.linalg.eig()求对称矩阵的特征值和特征向量相关推荐

最新文章

热门文章