Python numpy linalg.eigvalsh用法及代码示例

本文简要介绍 python 语言中 numpy.linalg.eigvalsh 的用法。

用法:

linalg.eigvalsh(a, UPLO='L')

计算复数 Hermitian 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) 数组

要计算其特征值的复数或实数矩阵。

UPLO： {‘L’, ‘U’}，可选

指定是使用 a 的下三角部分(“L”，默认)还是上三角部分(“U”)进行计算。不管这个值如何，在计算中只考虑对角线的实部，以保留 Hermitian 矩阵的概念。因此，对角线的虚部将始终被视为零。

返回：

w： (..., M,) ndarray

特征值按升序排列，每个都根据其多重性重复。

抛出：

LinAlgError

如果特征值计算不收敛。

注意：

广播规则适用，有关详细信息，请参阅 numpy.linalg 文档。

使用 LAPACK 例程 _syevd 、 _heevd 计算特征值。

例子：

>>> 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])