numpy特征向量的奇怪行为：bug还是no bug

NumPy的特征向量解不同于Wolfram Alpha和我的手工计算

导入numpy.linalg >>>将numpy作为np导入 >>>numpy.linalg.eig（np.array（[[-2，1]，[2，-1]]）） （数组（[-3,0.]），数组（[-0.70710678，-0.4472136]， [ 0.70710678, -0.89442719]])) Wolfram Alpha和我个人的计算给出了特征向量（-1,1）和（2,1）。然而，NumPy解决方案有所不同

然而，NumPy计算的特征值得到了Wolfram Alpha和我个人计算的证实

那么，这是NumPy中的一个bug还是我对数学的理解太简单了？类似的线程在特征向量的舍入/缩放方面看到了主要差异，但解决方案之间的偏差将是巨大的

---

关于

numpy.linalg.eig

标准化特征向量，结果为列向量

eig_vectors = np.linalg.eig(np.array([[-2, 1], [2, -1]]))[1]
vec_1 = eig_vectors[:,0]
vec_2 = eig_vectors[:,1]

现在这两个向量只是你计算的向量的标准化版本

print(vec_1 * np.sqrt(2)) # where root 2 is the magnitude of [-1, 1]
print(vec_1 * np.sqrt(5)) # where root 5 is the magnitude of [2, 1]

---

因此，这两组计算的结果是等价的，只是Numpy喜欢对结果进行归一化。

Numpy.linalg.eig

对特征向量进行归一化，结果为列向量

eig_vectors = np.linalg.eig(np.array([[-2, 1], [2, -1]]))[1]
vec_1 = eig_vectors[:,0]
vec_2 = eig_vectors[:,1]

现在这两个向量只是你计算的向量的标准化版本

print(vec_1 * np.sqrt(2)) # where root 2 is the magnitude of [-1, 1]
print(vec_1 * np.sqrt(5)) # where root 5 is the magnitude of [2, 1]

---

所以底线是，两组计算是等价的，只是Numpy喜欢将结果归一化。

输入数组的秩是一，输入数组的秩是一