Python numpy eig()函数的健全性检查输出
我有一个关于Python numpy eig()函数的健全性检查输出,numpy,eigenvalue,eigenvector,Numpy,Eigenvalue,Eigenvector,我有一个关于numpy.linalg.eig()的问题 这是数据标准化后的协方差矩阵 lr_cov = np.cov(lr_norm, rowvar = False, ddof = 0) lr_cov array([[ 0.95454545, 0.88156287, 0.8601369 ], [ 0.88156287, 0.95454545, 0.87367031], [ 0.8601369 , 0.87367031, 0.95454545]]) 我使
numpy.linalg.eig()
的问题
这是数据标准化后的协方差矩阵
lr_cov = np.cov(lr_norm, rowvar = False, ddof = 0)
lr_cov
array([[ 0.95454545, 0.88156287, 0.8601369 ],
[ 0.88156287, 0.95454545, 0.87367031],
[ 0.8601369 , 0.87367031, 0.95454545]])
我使用的eig()函数如下——这里没有问题
eig_val, eig_vec = np.linalg.eig(lr_cov)
eig_vec
array([[-0.57694452, -0.6184592 , 0.53351967],
[-0.57990975, -0.14982268, -0.80078577],
[-0.57518668, 0.77140222, 0.27221115]])
eig_val
array([ 2.69815538, 0.09525935, 0.07022164])
但当我继续检查(协方差矩阵)*(特征向量)=(特征值)*(特征向量)时,在这种情况下,LHS和RHS不匹配
lr_cov*eig_vec
array([[-0.55071977, -0.54521067, 0.45889996],
[-0.5112269 , -0.14301256, -0.69962276],
[-0.49473928, 0.67395122, 0.25983791]])
eig_val*eig_vec
array([[-1.55668595, -0.05891402, 0.03746463],
[-1.5646866 , -0.01427201, -0.05623249],
[-1.55194302, 0.07348327, 0.01911511]])
我做错了什么?两点:
是一种元素级的多重通信。使用*
方法进行矩阵乘法dot()
是一个一维数组。使用eig_val
将其转换为二维方形对角数组np.diag(eig\u val)
In [70]: cov
Out[70]:
array([[ 0.95454545, 0.88156287, 0.8601369 ],
[ 0.88156287, 0.95454545, 0.87367031],
[ 0.8601369 , 0.87367031, 0.95454545]])
In [71]: eig_val, eig_vec = np.linalg.eig(cov)
In [72]: cov.dot(eig_vec)
Out[72]:
array([[-1.55668595, -0.05891401, 0.03746463],
[-1.56468659, -0.01427202, -0.05623249],
[-1.55194302, 0.07348327, 0.01911511]])
In [73]: eig_vec.dot(np.diag(eig_val))
Out[73]:
array([[-1.55668595, -0.05891401, 0.03746463],
[-1.56468659, -0.01427202, -0.05623249],
[-1.55194302, 0.07348327, 0.01911511]])
在最后一行,np.diag(eig_val)
位于右侧,以便将eig_vec
的每一列乘以相应的特征值
如果您利用numpy的广播,您不必使用np.diag(eig_val)
,您可以使用元素乘法(按任意顺序,因为元素乘法是可交换的):
In [75]: eig_vec * eig_val # element-wise multiplication with broadcasting
Out[75]:
array([[-1.55668595, -0.05891401, 0.03746463],
[-1.56468659, -0.01427202, -0.05623249],
[-1.55194302, 0.07348327, 0.01911511]])
In [76]: eig_val * eig_vec
Out[76]:
array([[-1.55668595, -0.05891401, 0.03746463],
[-1.56468659, -0.01427202, -0.05623249],
[-1.55194302, 0.07348327, 0.01911511]])