【线代&NumPy】特征值分解

最新推荐文章于 2025-03-08 17:51:09 发布

王平渊

最新推荐文章于 2025-03-08 17:51:09 发布

阅读量399

点赞数

CC 4.0 BY-SA版权

分类专栏： Python高级软件实践文章标签：线性代数

zdfs

本文链接：https://blog.csdn.net/weixin_50502862/article/details/121614707

Python高级软件实践专栏收录该内容

35 篇文章 ¥29.90 ¥99.00

订阅专栏

本文介绍了线性代数中的特征值分解概念，通过NumPy库展示了如何进行矩阵的特征值分解。示例中，分别对两个矩阵进行了特征值分解，并得到了对应的特征矩阵和特征向量矩阵，最后验证了特征向量矩阵乘以特征矩阵再转置相乘后的结果与原矩阵一致。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
 
# 打印A的函数
def pprint(msg, A):
    print("---", msg, "---")
    (n,m) = A.shape
    for i in range(0, n):
        line = ""
        for j in range(0, m):
            line += "{0:.2f}".format(A[i,j]) + "\t"
        print(line)
    print("")
    
print("特征值分解\n")
A = np.array([[3.0, 1.0], [2.0, 2.0]])
w, S = np.linalg.eig(A)
L = np.diag(w)
pprint("矩阵B ", A)
pprint("特征矩阵 L", L)
pprint("特征向量矩阵 S", S)
pprint("S*L*S^{-1}", np.matmul(np.matmul(S,L), np.linalg.inv(S)))
 
B = np.array([[1.0, 1.0, 0.0], [1.0, 3.0, 1.0], [2.0, -1.0, 1.0]])
w, S = np.linalg.eig(B)
L = np.diag(w)
pprint("矩阵B", B)
pprint("特征矩阵 L", L)
pprint("特征向量矩阵 S", S)
pprint("S*L*S^{-1}", np.matmul(np.matmul(S,L), np.linalg.inv(S)))

了解本专栏