numpy.linalg.eigvalsh#

linalg.eigvalsh(a, UPLO='L')[原始碼]#

計算複 Hermitian 或實對稱矩陣的特徵值。

與 eigh 的主要差異：不計算特徵向量。

參數:

a(…, M, M) array_like: 要計算特徵值的複數或實數值矩陣。
UPLO{‘L’, ‘U’}, 可選: 指定是否使用 a 的下三角部分（‘L’，預設）或上三角部分（‘U’）進行計算。無論此值為何，在計算中僅會考慮對角線的實部，以保留 Hermitian 矩陣的概念。因此，對角線的虛部將始終被視為零。

返回:

w(…, M,) ndarray: 升序排列的特徵值，每個特徵值根據其重數重複。

引發:

LinAlgError: 如果特徵值計算未收斂。

另請參閱

eigh: 實對稱或複 Hermitian（共軛對稱）陣列的特徵值和特徵向量。
eigvals: 一般實數或複數陣列的特徵值。
eig: 一般實數或複數陣列的特徵值和右特徵向量。
scipy.linalg.eigvalsh: SciPy 中的類似函數。

註解

廣播規則適用，請參閱 numpy.linalg 文件以了解詳細資訊。

特徵值是使用 LAPACK 常式 _syevd、_heevd 計算的。

範例

>>> import numpy as np
>>> from numpy import linalg as LA
>>> a = np.array([[1, -2j], [2j, 5]])
>>> LA.eigvalsh(a)
array([ 0.17157288,  5.82842712]) # may vary

>>> # demonstrate the treatment of the imaginary part of the diagonal
>>> a = np.array([[5+2j, 9-2j], [0+2j, 2-1j]])
>>> a
array([[5.+2.j, 9.-2.j],
       [0.+2.j, 2.-1.j]])
>>> # with UPLO='L' this is numerically equivalent to using LA.eigvals()
>>> # with:
>>> b = np.array([[5.+0.j, 0.-2.j], [0.+2.j, 2.-0.j]])
>>> b
array([[5.+0.j, 0.-2.j],
       [0.+2.j, 2.+0.j]])
>>> wa = LA.eigvalsh(a)
>>> wb = LA.eigvals(b)
>>> wa; wb
array([1., 6.])
array([6.+0.j, 1.+0.j])