我有一个非常简单的问题。它与计算公差误差有关。
让我做(见最后)矩阵 A 在特征向量 V 和对角线特征值 D 中的特征分解,并通过乘法 V^-1*D*V 再次构建它。
获得的值远非A,误差很大。
我想知道我是否使用了不正确的函数来完成此任务,或者至少如何减少此错误。提前谢谢你
in[1]:import numpy
from scipy import linalg
A=matrix([[16,-9,0],[-9,20,-11],[0,-11,11]])
D,V=linalg.eig(A)
D=diagflat(D)
matrix(linalg.inv(V))*matrix(D)*matrix(V)
out[1]:matrix([[ 15.52275377, 9.37603361, 0.79257097],
[9.37603361, 21.12538282, -10.23535271],
[0.79257097, -10.23535271, 10.35186341]])
这不是
倒退吗? 从定义A*V = V*D
,所以A = V*D*V^(-1)
.
>>> import numpy as np
>>> from scipy import linalg
>>> A = np.matrix([[16,-9,0],[-9,20,-11],[0,-11,11]])
>>> D, V = linalg.eig(A)
>>> D = np.diagflat(D)
>>>
>>> b = np.matrix(linalg.inv(V))*np.matrix(D)*np.matrix(V)
>>> b
matrix([[ 15.52275377+0.j, 9.37603361+0.j, 0.79257097+0.j],
[ 9.37603361+0.j, 21.12538282+0.j, -10.23535271+0.j],
[ 0.79257097+0.j, -10.23535271+0.j, 10.35186341+0.j]])
>>> np.allclose(A, b)
False
但
>>> f = np.matrix(V)*np.matrix(D)*np.matrix(linalg.inv(V))
>>> f
matrix([[ 1.60000000e+01+0.j, -9.00000000e+00+0.j, -9.54791801e-15+0.j],
[ -9.00000000e+00+0.j, 2.00000000e+01+0.j, -1.10000000e+01+0.j],
[ -1.55431223e-15+0.j, -1.10000000e+01+0.j, 1.10000000e+01+0.j]])
>>> np.allclose(A, f)
True
旁白:有一些方法可以使用np.dot
来避免所有这些转换为矩阵,例如
>>> dotm = lambda *args: reduce(np.dot, args)
>>> dotm(V, D, inv(V))
array([[ 1.60000000e+01+0.j, -9.00000000e+00+0.j, -9.54791801e-15+0.j],
[ -9.00000000e+00+0.j, 2.00000000e+01+0.j, -1.10000000e+01+0.j],
[ -1.55431223e-15+0.j, -1.10000000e+01+0.j, 1.10000000e+01+0.j]])
我经常发现更干净,但是YMMV。