Python Numpy似乎产生了不正确的特征向量
我想用Numpy来计算特征值和特征向量。这是我的密码:Python Numpy似乎产生了不正确的特征向量,python,numpy,eigenvector,Python,Numpy,Eigenvector,我想用Numpy来计算特征值和特征向量。这是我的密码: import numpy as np from numpy import linalg as LA lapl = np.array( [[ 2, -1, -1, 0, 0, 0], [-1, 3, 0, -1, 0, -1], [-1, 0, 2, -1, 0, 0], [ 0, -1, -1, 3, -1, 0], [ 0, 0,
import numpy as np
from numpy import linalg as LA
lapl = np.array(
[[ 2, -1, -1, 0, 0, 0],
[-1, 3, 0, -1, 0, -1],
[-1, 0, 2, -1, 0, 0],
[ 0, -1, -1, 3, -1, 0],
[ 0, 0, 0, -1, 2, -1],
[ 0, -1, 0, 0, -1, 2]])
w, v = LA.eigh(lapl)
print ('Eigenvalues:', np.round(w,0))
print ('Eigenvectors:', np.round(v,2))
结果如下:
Eigenvalues: [ 0. 1. 2. 3. 3. 5.]
Eigenvectors: [[ 0.41 0.5 0.41 -0.46 0.34 0.29]
[ 0.41 0. 0.41 0.53 0.23 -0.58]
[ 0.41 0.5 -0.41 -0.07 -0.57 -0.29]
[ 0.41 0. -0.41 0.53 0.23 0.58]
[ 0.41 -0.5 -0.41 -0.46 0.34 -0.29]
[ 0.41 -0.5 0.41 -0.07 -0.57 0.29]]
然而,当我在Wolfram Alpha中运行相同的矩阵时,我得到了不同的结果-特征值相同,但特征向量不同:
v1 = ( 1, -2, -1, 2, -1, 1)
v2 = ( 0, -1, 1, -1, 0, 1)
v3 = ( 1, -1, 0, -1, 1, 0)
v4 = ( 1, 1, -1, -1, -1, 1)
v5 = (-1, 0, -1, 0, 1, 1)
v6 = ( 1, 1, 1, 1, 1, 1)
以下是Wolfram Alpha计算的链接:
为什么我会得到不同的结果?我应该在Python中做什么才能得到与Alpha相同的结果
非常感谢你的帮助 由于多种原因,结果不同:
v1
打印到v6
时,numpy矩阵v
包含水平堆叠的列的特征向量v1
重新排序为v6
。(按特征值大小排序是一种常见的惯例。Wolfram似乎按降序排序,而numpy则按升序排序。)考虑到前4个问题,结果实际上非常接近。奇异性不重要,因为只有一个零特征值,因此相应的特征向量是唯一的(直到符号和长度)。由于多种原因,结果不同:
v1
打印到v6
时,numpy矩阵v
包含水平堆叠的列的特征向量v1
重新排序为v6
。(按特征值大小排序是一种常见的惯例。Wolfram似乎按降序排序,而numpy则按升序排序。)考虑到前4个问题,结果实际上非常接近。奇异性不重要,因为只有一个零特征值,因此相应的特征向量是唯一的(直到符号和长度)。谢谢。可能缩放是这里的问题。我想知道在Numpy中是否有任何简单的方法来缩放向量,使它们看起来与Alpha输出类似。@AlekseyLinetskiy:我在Wolfram的缩放中没有看到模式。如果可能的话,选择它可能是为了避免分数。但是如果你强迫它,例如用“2.01”替换“2”,数字就会接近你的。我认为你不能通过缩放来改变符号,特征向量表示一个特定的方向,这就是为什么我们可以缩放它,因为方向不会改变。但是一旦你改变了符号,方向就会翻转,这就违背了获得特征向量的目的。谢谢。可能缩放是这里的问题。我想知道在Numpy中是否有任何简单的方法来缩放向量,使它们看起来与Alpha输出类似。@AlekseyLinetskiy:我在Wolfram的缩放中没有看到模式。如果可能的话,选择它可能是为了避免分数。但是如果你强迫它,例如用“2.01”替换“2”,数字就会接近你的。我认为你不能通过缩放来改变符号,特征向量表示一个特定的方向,这就是为什么我们可以缩放它,因为方向不会改变。但是一旦你改变了符号,方向就会翻转,这就违背了获得特征向量的目的。