Python 求多一维阵列特征值的最快方法

我有一个（n，m，6）-数组，其中n和m大于10.000。这6个值来自对称矩阵，顺序如下：

[11,12,13]，[12,22,23]，[13,23,33]=>（11,22,33,12,23,31）

---

我想计算每个矩阵的特征值和特征向量。现在它是用2个for循环来实现的，循环迭代每个维度，将值重新排序为矩阵形式并计算特征值。但我想知道是否有一个更快的解决方案使用矢量化？

我发现的最好的方法是使用

（6,3,3）

变换矩阵将对称值转换为适当的对称张量

transf = np.array([[[1.,0.,0.],[0.,0.,0.],[0.,0.,0.]],                #11
                   [[0.,0.,0.],[0.,1.,0.],[0.,0.,0.]],                #22
                   [[0.,0.,0.],[0.,0.,0.],[0.,0.,1.]],                #33
                   [[0.,1.,0.],[1.,0.,0.],[0.,0.,0.]],                #12 & 21
                   [[0.,0.,1.],[0.,0.,0.],[1.,0.,0.]],                #13 & 31
                   [[0.,0.,0.],[0.,0.,1.],[0.,1.,0.]]]).swapaxes(0,1) #23 & 32

e, v = np.linalg.eigh(input.dot(transf))

---

非编程说明：请注意

abaqus

是输出实际应力/应变还是工程应力/应变，因为生成的变换是不同的（如果我正确地记住了“实际应变”，则需要非对角项为

0.5

，而不是

1.

）

后处理

abaqus

输出是吗？是的，这就是结果的存储方式…添加了

abaqus

标记，因为我认为这是一个非常常见的问题。Sry，我花了一些时间对其进行了测试，但现在我做到了，它运行非常好，比我的循环解决方案快得多。非常感谢你。我还要感谢你的建议。我已经有问题，但得到了修复！