Skip to main content
 首页 » 编程设计

python之python 与 matlab 中的特征值和特征向量

2024年12月31日7mfryf

我注意到 matlab 计算矩阵的特征值和特征向量的方式有所不同,其中 matlab 返回实值,而 numpy 返回复值特征值和向量。例如:

对于矩阵:

A= 
     1    -3     3 
     3    -5     3 
     6    -6     4 
 
Numpy: 
w, v = np.linalg.eig(A) 
 
w 
array([ 4. +0.00000000e+00j, -2. +1.10465796e-15j, -2. -1.10465796e-15j]) 
 
 
v 
array([[-0.40824829+0.j        ,  0.24400118-0.40702229j, 
             0.24400118+0.40702229j], 
           [-0.40824829+0.j        , -0.41621909-0.40702229j, 
            -0.41621909+0.40702229j], 
           [-0.81649658+0.j        , -0.66022027+0.j        , -0.66022027-0.j        ]]) 
 
Matlab: 
[E, D] = eig(A) 
E 
 
   -0.4082   -0.8103    0.1933 
   -0.4082   -0.3185   -0.5904 
   -0.8165    0.4918   -0.7836 
D 
 
    4.0000         0         0 
         0   -2.0000         0 
         0         0   -2.0000 

有没有办法像在 matlab 中那样在 python 中获取真实的特征值?

请您参考如下方法:

要让 NumPy 在复数部分较小时返回实数特征值的对角数组,您可以使用

In [116]: np.real_if_close(np.diag(w)) 
Out[116]:  
array([[ 4.,  0.,  0.], 
       [ 0., -2.,  0.], 
       [ 0.,  0., -2.]]) 

根据Matlab docs , [E, D] = eig(A) 返回满足 A*E = E*D 的 E 和 D >: 我没有 Matlab,所以我将使用 Octave 来检查您发布的结果:

octave:1> A = [[1, -3, 3], 
               [3, -5, 3], 
               [6, -6, 4]] 
 
octave:6> E = [[ -0.4082, -0.8103, 0.1933], 
               [ -0.4082, -0.3185, -0.5904], 
               [ -0.8165, 0.4918, -0.7836]] 
 
octave:25> D = [[4.0000, 0, 0], 
               [0, -2.0000, 0], 
               [0, 0, -2.0000]] 
 
octave:29> abs(A*E - E*D) 
ans = 
 
   3.0000e-04   0.0000e+00   3.0000e-04 
   3.0000e-04   2.2204e-16   3.0000e-04 
   0.0000e+00   4.4409e-16   6.0000e-04 

误差的大小主要是由于 Matlab 报告的值是 displayed to a lower precision比 Matlab 保存在内存中的实际值。


在 NumPy 中,w, v = np.linalg.eig(A) 返回 w 和 v 满足 np.dot(A, v) = np.dot(v, np.diag(w)):

In [113]: w, v = np.linalg.eig(A) 
 
In [135]: np.set_printoptions(formatter={'complex_kind': '{:+15.5f}'.format}) 
 
In [136]: v 
Out[136]:  
array([[-0.40825+0.00000j, +0.24400-0.40702j, +0.24400+0.40702j], 
       [-0.40825+0.00000j, -0.41622-0.40702j, -0.41622+0.40702j], 
       [-0.81650+0.00000j, -0.66022+0.00000j, -0.66022-0.00000j]]) 
 
In [116]: np.real_if_close(np.diag(w)) 
Out[116]:  
array([[ 4.,  0.,  0.], 
       [ 0., -2.,  0.], 
       [ 0.,  0., -2.]]) 
 
In [112]: np.abs((np.dot(A, v) - np.dot(v, np.diag(w)))) 
Out[112]:  
array([[4.44089210e-16, 3.72380123e-16, 3.72380123e-16], 
       [2.22044605e-16, 4.00296604e-16, 4.00296604e-16], 
       [8.88178420e-16, 1.36245817e-15, 1.36245817e-15]]) 
 
In [162]: np.abs((np.dot(A, v) - np.dot(v, np.diag(w)))).max() 
Out[162]: 1.3624581677742195e-15 
 
In [109]: np.isclose(np.dot(A, v), np.dot(v, np.diag(w))).all() 
Out[109]: True