本文简要介绍 python 语言中 scipy.linalg.eigh
的用法。
用法:
scipy.linalg.eigh(a, b=None, *, lower=True, eigvals_only=False, overwrite_a=False, overwrite_b=False, turbo=<object object>, eigvals=<object object>, type=1, check_finite=True, subset_by_index=None, subset_by_value=None, driver=None)#
求解复 Hermitian 或实对称矩阵的标准或广义特征值问题。
查找特征值数组
w
和可选的特征向量数组v
的数组a
,其中b
是正定的,使得对于每个特征值 λ (w 的i-th 条目)及其特征向量vi
(i-thv
的列)满足:a @ vi = λ * b @ vi vi.conj().T @ a @ vi = λ vi.conj().T @ b @ vi = 1
在标准问题中,
b
被假定为单位矩阵。- a: (M, M) 数组
将计算其特征值和特征向量的复 Hermitian 或实对称矩阵。
- b: (M, M) 数组,可选
中的复数 Hermitian 或实对称定正矩阵。如果省略,则假定为单位矩阵。
- lower: 布尔型,可选
相关数组数据是否取自
a
的下三角形或上三角形,以及b
(如果适用)。 (默认值:较低)- eigvals_only: 布尔型,可选
是否只计算特征值而不计算特征向量。 (默认:两者都计算)
- subset_by_index: 可迭代的,可选的
如果提供,此二元素迭代定义所需特征值的开始和结束索引(升序和 0 索引)。要仅返回第二小到第五小的特征值,请使用
[1, 4]
。[n-3, n-1]
返回最大的三个。仅适用于 “evr”, “evx” 和 “gvx” 驱动程序。这些条目通过int()
直接转换为整数。- subset_by_value: 可迭代的,可选的
如果提供,此二元素迭代定义半开区间
(a, b]
,如果有的话,仅返回这些值之间的特征值。仅适用于 “evr”, “evx” 和 “gvx” 驱动程序。对于不受约束的末端使用np.inf
。- driver: str,可选
定义应该使用哪个 LAPACK 驱动程序。标准问题的有效选项是 “ev”, “evd”, “evr”, “evx”,广义(其中 b 不是无)问题的有效选项是 “gv”, “gvd”, “gvx”。请参阅注释部分。标准问题的默认值为“evr”。对于广义问题,“gvd” 用于完整集,“gvx” 用于子集请求案例。
- type: 整数,可选
对于广义问题,此关键字指定
w
和v
要解决的问题类型(仅将1、2、3作为可能的输入):1 => a @ v = w @ b @ v 2 => a @ b @ v = w @ v 3 => b @ a @ v = w @ v
对于标准问题,此关键字将被忽略。
- overwrite_a: 布尔型,可选
是否覆盖
a
中的数据(可能会提高性能)。默认为假。- overwrite_b: 布尔型,可选
是否覆盖
b
中的数据(可能会提高性能)。默认为假。- check_finite: 布尔型,可选
是否检查输入矩阵是否仅包含有限数。禁用可能会提高性能,但如果输入确实包含无穷大或 NaN,则可能会导致问题(崩溃、非终止)。
- turbo: 布尔值,可选,已弃用
- eigvals: 元组 (lo, hi),可选,已弃用
- w: (N,) 数组
N (N<=M) 个选定的特征值按升序排列,每个特征值根据其重数重复。
- v: (M, N) ndarray
与特征值
w[i]
对应的归一化特征向量是列v[:,i]
。仅在eigvals_only=False
时返回。
- LinAlgError
如果特征值计算不收敛,则发生错误,或者 b 矩阵不是确定的正数。请注意,如果输入矩阵不是对称的或 Hermitian 矩阵,则不会报告错误但结果会错误。
参数 ::
返回 ::
抛出 ::
注意:
此函数不检查输入数组是否为 Hermitian/对称,以便允许仅使用其上/下三角形部分来表示数组。另外请注意,即使没有考虑在内,有限性检查也适用于整个数组并且不受“lower” 关键字的影响。
此函数使用 LAPACK 驱动程序在所有可能的关键字组合中进行计算,如果数组是实数,则以
sy
为前缀,如果是复数,则以he
为前缀,例如,带有 “evr” 驱动程序的浮点数组通过 “syevr” 求解,复数数组带有 “gvx”驱动问题通过“hegvx”等解决。作为一个简短的总结,最慢和最强大的驱动程序是使用对称 QR 的经典
<sy/he>ev
。<sy/he>evr
被视为最一般情况下的最佳选择。但是,在某些情况下,<sy/he>evd
计算速度更快,但会消耗更多内存。<sy/he>evx
虽然仍然比<sy/he>ev
快,但性能通常比其他的差,除非大型数组需要很少的特征值,但仍然没有性能保证。对于广义问题,关于给定类型参数的规范化:
type 1 and 3 : v.conj().T @ a @ v = w type 2 : inv(v).conj().T @ a @ inv(v) = w type 1 or 2 : v.conj().T @ b @ v = I type 3 : v.conj().T @ inv(b) @ v = I
例子:
>>> import numpy as np >>> from scipy.linalg import eigh >>> A = np.array([[6, 3, 1, 5], [3, 0, 5, 1], [1, 5, 6, 2], [5, 1, 2, 2]]) >>> w, v = eigh(A) >>> np.allclose(A @ v - v @ np.diag(w), np.zeros((4, 4))) True
仅请求特征值
>>> w = eigh(A, eigvals_only=True)
请求小于 10 的特征值。
>>> A = np.array([[34, -4, -10, -7, 2], ... [-4, 7, 2, 12, 0], ... [-10, 2, 44, 2, -19], ... [-7, 12, 2, 79, -34], ... [2, 0, -19, -34, 29]]) >>> eigh(A, eigvals_only=True, subset_by_value=[-np.inf, 10]) array([6.69199443e-07, 9.11938152e+00])
求第二小的特征值及其特征向量
>>> w, v = eigh(A, subset_by_index=[1, 1]) >>> w array([9.11938152]) >>> v.shape # only a single column is returned (5, 1)
相关用法
- Python SciPy linalg.eigh_tridiagonal用法及代码示例
- Python SciPy linalg.eigvalsh_tridiagonal用法及代码示例
- Python SciPy linalg.eig_banded用法及代码示例
- Python SciPy linalg.eigvalsh用法及代码示例
- Python SciPy linalg.eig用法及代码示例
- Python SciPy linalg.eigs用法及代码示例
- Python SciPy linalg.eigvals用法及代码示例
- Python SciPy linalg.eigvals_banded用法及代码示例
- Python SciPy linalg.eigsh用法及代码示例
- Python SciPy linalg.expm用法及代码示例
- Python SciPy linalg.expm_multiply用法及代码示例
- Python SciPy linalg.expm_frechet用法及代码示例
- Python SciPy linalg.expm_cond用法及代码示例
- Python SciPy linalg.cdf2rdf用法及代码示例
- Python SciPy linalg.LaplacianNd用法及代码示例
- Python SciPy linalg.solve_circulant用法及代码示例
- Python SciPy linalg.polar用法及代码示例
- Python SciPy linalg.clarkson_woodruff_transform用法及代码示例
- Python SciPy linalg.rsf2csf用法及代码示例
- Python SciPy linalg.hessenberg用法及代码示例
- Python SciPy linalg.tril用法及代码示例
- Python SciPy linalg.triu用法及代码示例
- Python SciPy linalg.svd用法及代码示例
- Python SciPy linalg.ishermitian用法及代码示例
- Python SciPy linalg.invhilbert用法及代码示例
注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.linalg.eigh。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。