python numpy计算矩阵特征值和特征向量

本文通过具体实例演示了如何使用NumPy库进行矩阵运算,包括计算矩阵的行列式和求解特征值与特征向量,并展示了如何将计算结果以分数形式输出。

关键函数

计算矩阵R的行列式

b = np.linalg.det(R)

计算矩阵R的特征向量和特征矩阵

c = np.linalg.eig(R)

其中特征值为c[0]

特征向量为c[1]


示例

import numpy as np

# w1为列向量
x11 = np.array([[-3 / 4, -1 / 4, -1 / 8]]).T
x12 = np.array([[5 / 4, -1 / 4, -1 / 8]]).T
x13 = np.array([[5 / 4, -1 / 4, 7 / 8]]).T
x14 = np.array([[1 / 4, 7 / 4, -1 / 8]]).T
x21 = np.array([[-3 / 4, -1 / 4, 7 / 8]]).T
x22 = np.array([[-3 / 4, 3 / 4, -1 / 8]]).T
x23 = np.array([[-3 / 4, -9 / 4, 7 / 8]]).T
x24 = np.array([[1 / 4, 3 / 4, -17 / 8]]).T


x = [x11, x12, x13, x14, x21, x22, x23, x24]

# 列向量乘行向量
R1 = 0
for i in x:
    R1 += i * i.T;
R = 1 / 8 * R1

# 计算矩阵R的行列式(只要行列式不等于0,就可以求特征值和特征向量)
b = np.linalg.det(R)
# print(b)
# 特征值和特征向量
c = np.linalg.eig(R)
# print(c)
# 特征值
print(c[0])
# 特征向量
print(c[1])

结果

以分数形式表示结果

谢谢作者(蠕动的爬虫)帮我解决了这个问题~

原问题:定义矩阵时可以用Fraction函数输入分数,但用numpy进行矩阵运算后输出仍为浮点数,请问输出矩阵结果时可以以分数表示吗?

调用库和函数

from fractions import Fraction
np.set_printoptions(formatter={'all': lambda x: str(Fraction(x).limit_denominator())})

结果

Python中,如果不使用NumPy库来求矩阵特征值特征向量,可以使用纯Python代码来实现。以下是一个示例,展示如何通过迭代法来计算矩阵特征值特征向量: ```python def matrix_multiply(A, B): result = [[0 for _ in range(len(B[0]))] for _ in range(len(A))] for i in range(len(A)): for j in range(len(B[0])): for k in range(len(B)): result[i][j] += A[i][k] * B[k][j] return result def matrix_transpose(A): return [[A[j][i] for j in range(len(A))] for i in range(len(A[0]))] def matrix_subtract(A, B): return [[A[i][j] - B[i][j] for j in range(len(A[0]))] for i in range(len(A))] def matrix_norm(A): return sum(sum(A[i][j] ** 2 for j in range(len(A[0]))) for i in range(len(A))) ** 0.5 def power_method(A, num_iterations): b_k = [[1] for _ in range(len(A))] for _ in range(num_iterations): b_k1 = matrix_multiply(A, b_k) b_k1_norm = matrix_norm(b_k1) b_k = [[b_k1[i][0] / b_k1_norm] for i in range(len(b_k1))] b_k_transpose = matrix_transpose(b_k) lambda_k = matrix_multiply(matrix_multiply(b_k_transpose, A), b_k)[0][0] return lambda_k, b_k # 示例矩阵 A = [ [4, 1], [2, 3] ] # 计算特征值特征向量 eigenvalue, eigenvector = power_method(A, 1000) print("特征值:", eigenvalue) print("特征向量:", [[eigenvector[i][0]] for i in range(len(eigenvector))]) ``` 这个示例使用了幂法(Power Method)来计算矩阵的最大特征值对应的特征向量。幂法是一种迭代方法,通过反复乘以矩阵来逼近特征向量
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值