在PCA中有遇到，在这里记录一下

计算矩阵的特征值个特征向量，下面给出几个示例代码：

在使用前需要单独import一下

>>> from numpy import linalg as LA>>> w, v = LA.eig(np.diag((1, 2, 3)))>>> w; varray([ 1., 2., 3.])array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]])>>> w, v = LA.eig(np.array([[1, -1], [1, 1]]))>>> w; varray([ 1. + 1.j, 1. - 1.j])array([[ 0.70710678+0.j , 0.70710678+0.j ], [ 0.00000000-0.70710678j, 0.00000000+0.70710678j]])>>> a = np.array([[1, 1j], [-1j, 1]])>>> w, v = LA.eig(a)>>> w; varray([ 2.00000000e+00+0.j, 5.98651912e-36+0.j]) # i.e., {2, 0}array([[ 0.00000000+0.70710678j, 0.70710678+0.j ], [ 0.70710678+0.j , 0.00000000+0.70710678j]])>>> a = np.array([[1 + 1e-9, 0], [0, 1 - 1e-9]])>>> # Theor. e-values are 1 +/- 1e-9>>> w, v = LA.eig(a)>>> w; varray([ 1., 1.])array([[ 1., 0.], [ 0., 1.]])

官方文档链接：http://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.eig.html

以上这篇numpy.linalg.eig() 计算矩阵特征向量方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。