import numpy as np
#first way
A = np.array([[1, 0, 1], [-2, 1, 0]])
print(A)
B = A@A.transpose()
print(B)
eig_val, eig_vec = np.linalg.eig(B)
print(eig_vec)
#second way
from sympy import *
G = Matrix([[2,-2], [-2,5]])
print(G.eigenvects())
为什么这两种方法在寻找特征向量的目标相同时会给出不同的结果?
已经提到,eignvector只有标量倍数才是唯一的。这是一个数学事实。为了深入了解您正在使用的方法的实现,numpy.linalg.eig
返回归一化的特征向量(即向量的范数为1(,而sympy
的eigenvects()
不归一化向量。
在某种意义上,归一化向量是唯一的,正是因为它们具有单位范数。它们可以定义单位本征方向(几何(,就像坐标几何中的单位向量一样。(并非绝对重要(