一、引言

1.核心价值

从本质上看，矩阵可被理解为一种线性变换的 “算子”，当它作用于一个向量时，会对向量进行拉伸、旋转等操作。而特征值与特征向量，正是捕捉这种变换 “本质特征” 的工具：特征向量是经过矩阵变换后，仅发生缩放、不改变方向的特殊向量；特征值则是这种缩放的 “比例系数”。它们共同描绘出矩阵在变换过程中 “最具代表性” 的行为模式，是理解矩阵内在结构与作用规律的关键。

2.应用场景

• 机器学习（PCA 降维中通过特征值筛选主成分）

在主成分分析（PCA）中，我们需要从高维数据里提取最具代表性的低维特征。此时，数据协方差矩阵的特征值就像 “权重”，特征值越大，对应特征向量所代表的维度对数据的 “解释力” 越强。通过筛选最大的几个特征值及其特征向量，就能实现数据的降维，既保留核心信息，又简化计算。

• 物理领域（振动系统的固有频率与振型）

对于振动系统（如桥梁、机械结构的振动），系统的质量矩阵和刚度矩阵的特征值，对应着系统的固有频率 —— 这是系统自身的 “振动密码”，决定了系统在何种频率下最易发生共振；而特征向量则对应振型，描绘了系统在固有频率下各部分的振动形态，是工程设计中规避共振风险、优化结构稳定性的核心依据。

• 图像处理（特征脸提取）等

在 “特征脸”（Eigenface）技术中，人脸图像的协方差矩阵的特征向量被称为 “特征脸”。每一个特征脸都代表了人脸的一种 “典型特征模式”，特征值的大小反映了该模式在所有人脸中的普遍程度。通过这些特征脸的组合，能够高效地对人脸进行识别、压缩与重建。

3.本文目标

鉴于特征值与特征向量的重要性，掌握其计算方法至关重要。Python 的扩展库 NumPy，凭借其强大的线性代数子模块linalg，为我们提供了便捷高效的工具来计算特征值与特征向量。本文将围绕 NumPy 中的相关函数，详细介绍特征值与特征向量的计算过程，帮助读者不仅能快速上手实操，更能深入理解其背后的线性代数原理。

二、理论基础：特征值与特征向量的核心概念

1.数学定义

对于 n×n 方阵 A，如果存在标量 λ 和 n 维非零向量 x，使得 A⋅x=λ⋅x 成立，那么称 λ 是方阵 A 的一个特征值，x 为对应于 λ 的特征向量。这里强调 “非零向量”，是因为若 x 为零向量，无论 λ 取何值，A⋅x=λ⋅x 都恒成立，这样的 “特征值” 和 “特征向量” 是没有实际意义的。

2.关键性质

特征向量的非零性：如数学定义所述，特征向量必须是非零向量，这是由特征值与特征向量的定义所严格限定的，用于排除无意义的零向量情况。

特征向量的多解性（成比例）：对于一个确定的特征值 λ ，可以有多个特征向量与之对应，但这些特征向量之间是成比例的关系。也就是说，如果 x 是对应于 λ 的特征向量，那么对于任意非零标量 k，kx 也一定是对应于 λ 的特征向量，因为 

特殊矩阵的特性：

• 若 A 是实对称矩阵，则它的所有特征值都是实数，并且不同特征值对应的特征向量是相互正交的。这一性质在很多领域（如主成分分析（PCA））中有着重要应用，因为正交的特征向量可以构建出相互独立的新坐标系。

• 若 A 是复埃尔米特矩阵（实对称矩阵在复数域的推广，满足 A = A^H)，其中 A^H 是 A 的共轭转置），其特征值也为实数，特征向量具有正交性等良好性质。

3.几何意义

从几何角度来看，矩阵乘以一个向量，本质上是对这个向量进行了一次线性变换，实现了从一个坐标系到另一个坐标系的转换。在这个变换过程中，向量主要会发生旋转和缩放这两种变化。而特征向量的特殊之处就在于，当矩阵作用于它时，向量只发生了缩放变化，没有进行旋转。此时，缩放的比例就是对应的特征值。

换一种更形象的说法，特征向量可以看作是对数据进行旋转操作之后，所得到的 “理想坐标轴” 之一；而特征值则代表了原向量在该坐标轴上的 “投影大小” 或者 “贡献程度”。特征值越大，意味着这个坐标轴对原向量的表达越重要，原向量在这个坐标轴上的投影也就越大。

进一步地，一个矩阵的所有特征向量共同组成了该矩阵的一组基，这组基就相当于新坐标系中的坐标轴。当我们得到了矩阵的特征值和特征向量后，原向量就能够在由这些特征向量构成的新坐标系中进行表示，从而为我们分析和处理向量与矩阵的关系提供了新的视角与便利。

三、NumPy 工具：计算函数与参数解析

在 Python 中，NumPy 库的线性代数子模块 numpy.linalg 封装了高效的特征值与特征向量计算工具，无需手动实现复杂的线性代数算法，即可快速求解各类矩阵的特征值与特征向量。其中，eig 和 eigh 是最核心的两个函数，分别针对不同类型的矩阵设计，需根据矩阵特性选择使用。

1.核心函数详解

np.linalg.eig(A)：通用方阵的特征值与特征向量计算

这是最基础的特征值计算函数，适用于任意 n 阶方阵（包括实矩阵、复矩阵、非对称矩阵等）。其核心功能是求解满足 A⋅x=λ⋅x 的特征值 λ 和右特征向量 x。

• 返回值：函数返回一个元组 (eigenvalues, eigenvectors)，其中：

  • eigenvalues 是一个 1 维数组，存储矩阵的所有特征值（可能包含复数）；

  • eigenvectors 是一个 n×n 矩阵，每一列对应一个特征值的右特征向量。

• 适用场景：当矩阵为非对称、非埃尔米特矩阵（如实数非对称矩阵、一般复矩阵）时，必须使用 eig 函数。例如，旋转矩阵、随机生成的非对称矩阵等。

np.linalg.eigh(A)：对称 / 埃尔米特矩阵的高效计算

该函数是专为实对称矩阵（满足 A = A^T，即矩阵等于其转置）和复埃尔米特矩阵（满足 A = A^H，即矩阵等于其共轭转置）设计的优化函数。由于这类矩阵具有 “特征值为实数、特征向量正交” 的良好性质，eigh 利用这些特性实现了更高效、数值更稳定的计算。

• 返回值：同样返回元组 (eigenvalues, eigenvectors)，但具有特殊性质：
  • eigenvalues 是 1 维实数组（无复数），且默认按升序排列（这与 eig 不同，eig 的特征值顺序无严格规则）；
  • eigenvectors 是 n×n 矩阵，每一列是对应特征值的特征向量，且不同特征值的特征向量相互正交，适合直接用于正交变换（如 PCA 中的投影）。
• 适用场景：处理协方差矩阵（实对称）、自伴算子矩阵（复埃尔米特）等，例如机器学习中的数据降维、信号处理中的特征提取等。

2.参数说明与输入要求

输入类型：

两个函数均支持多种输入格式，但需确保输入为方阵（行数 = 列数），否则会抛出 LinAlgError 异常。具体支持的输入包括：

• Python 列表（如 [[1, 2], [3, 4]]），但需注意列表需为二维且行列数相等；
• NumPy 数组（推荐，如 np.array([[1, 2], [3, 4]])），需通过 ndim == 2 且 shape[0] == shape[1] 验证为方阵；
• NumPy 矩阵对象（如 np.matrix([[1, 2], [3, 4]])），但矩阵对象在现代 NumPy 中已逐渐被数组替代，建议优先使用数组。

特殊参数（以 eigh 为例）：

UPLO：指定计算时使用矩阵的上三角部分（'U'）还是下三角部分（'L'），默认值为 'L'。由于对称 / 埃尔米特矩阵的上三角与下三角是对称的，仅需使用其中一部分即可完成计算，该参数可减少冗余运算，提升效率。

3.返回值的注意事项

eig 的返回值特性：

• 特征值可能为复数：即使输入是实矩阵，若矩阵非对称，特征值可能出现共轭复数对（如旋转矩阵的特征值为 cosθ ± i sinθ）；
• 特征向量的规范性：返回的特征向量通常已归一化（即向量的 L2 范数为 1），但不同特征值的特征向量不一定正交（非对称矩阵无正交性保证）；
• 顺序无严格规则：特征值的排列顺序不固定，需根据实际需求手动排序（如按绝对值大小）。

eigh 的返回值特性：

• 特征值必为实数：由于对称 / 埃尔米特矩阵的数学性质，特征值无虚部，返回值为实数组；
• 特征向量正交性：不同特征值对应的特征向量严格正交，相同特征值（重根）对应的特征向量可通过正交化处理（函数内部已处理），因此可直接用于构建正交基；
• 升序排列：特征值默认按从小到大排序，便于快速筛选最大 / 最小特征值（如 PCA 中取前 k 个最大特征值）。

四、实践演示：分场景案例教学

通过具体代码案例，展示不同类型矩阵的特征值 / 特征向量计算，并验证结果正确性。

案例1：一般实方阵的计算

定义一个 3 阶实方阵。

用np.linalg.eig(x)计算特征值和特征向量。

• 结果验证：
  • 验证 A⋅x=λ⋅x：通过np.allclose(np.dot(A, eigenvectors), eigenvalues * eigenvectors)判断是否近似成立。
  • 验证特征方程：计算行列式np.linalg.det(A - np.diag(eigenvalues))，确认结果接近 0。

import numpy as np

# 定义一个3阶实方阵
x = np.array([[1, -3, 3], [3, -5, 3], [6, -6, 4]])

# 计算特征值（e）和特征向量（v，每列是一个特征向量）
e, v = np.linalg.eig(x)
print("特征值：")
print(e)  # 输出特征值
print("特征向量矩阵：")
print(v)  # 输出特征向量矩阵

# 仅计算特征值（验证与eig结果一致）
eigvals_result = np.linalg.eigvals(x)
print("仅计算特征值的结果：")
print(eigvals_result)  # 结果与e相同

# 验证特征值与特征向量的定义：A·x = λ·x
dot_result = np.dot(x, v)
mul_result = e * v
allclose_result = np.allclose(dot_result, mul_result)
print("验证 A·x = λ·x 是否成功：", allclose_result)  # 验证两者是否近似相等（因浮点误差），返回True

# 验证特征方程：|A - λI| = 0（特征值对应的行列式为0）
det_matrix = x - np.eye(3, 3) * e
det_result = np.linalg.det(det_matrix)
isclose_result = np.isclose(det_result, 0)
print("验证 |A - λI| = 0 是否成功：", isclose_result)  # 验证行列式是否接近0，返回True

特征值：
[ 4. -2. -2.]
特征向量矩阵：
[[-0.40824829 -0.81034214  0.1932607 ]
 [-0.40824829 -0.31851537 -0.59038328]
 [-0.81649658  0.49182677 -0.78364398]]
仅计算特征值的结果：
[ 4. -2. -2.]
验证 A·x = λ·x 是否成功： True
验证 |A - λI| = 0 是否成功： True

案例 2：实对称矩阵的计算

定义一个实对称矩阵（B = np.array([[1, 2], [2, 5]])，满足B = B^T）。

分别用eig和eigh计算，对比结果：

特征值是否均为实数；

特征向量是否正交（用np.dot(eigenvectors.T, eigenvectors)验证是否为对角矩阵）。

说明eigh的优势：针对对称矩阵优化，计算更快，数值更稳定。

import numpy as np

# 1. 定义一个2阶实对称矩阵（满足 B = B^T）
B = np.array([[1, 2],
              [2, 5]])
print("===== 实对称矩阵的特征值与特征向量 =====")
print("原矩阵 B：\n", B)
print("验证 B 是否对称（B == B^T）：", np.allclose(B, B.T))  # 应返回True

# 2. 分别用eig和eigh计算
eig_vals, eig_vecs = np.linalg.eig(B)  # 通用函数
eigh_vals, eigh_vecs = np.linalg.eigh(B)  # 对称矩阵专用函数

# 3. 对比特征值（是否均为实数）
print("\neig计算的特征值：\n", eig_vals)  # 理论上应为实数（但可能带极小虚部）
print("eigh计算的特征值（实对称矩阵必为实数）：\n", eigh_vals)  # 无虚部

# 4. 对比特征向量（是否正交）
# 正交性验证：特征向量矩阵的转置 × 自身 应接近对角矩阵（单位矩阵，因已归一化）
print("\neig特征向量的正交性（转置×自身）：\n", np.dot(eig_vecs.T, eig_vecs))
print("eigh特征向量的正交性（转置×自身）：\n", np.dot(eigh_vecs.T, eigh_vecs))  # 更接近单位矩阵

# 5. 验证特征值定义（A·x = λ·x）
print("\neig验证 A·x = λ·x：", np.allclose(np.dot(B, eig_vecs), eig_vals * eig_vecs))  # True
print("eigh验证 A·x = λ·x：", np.allclose(np.dot(B, eigh_vecs), eigh_vals * eigh_vecs))  # True

===== 实对称矩阵的特征值与特征向量 =====
原矩阵 B：
 [[1 2]
 [2 5]]
验证 B 是否对称（B == B^T）： True

eig计算的特征值：
 [0.17157288 5.82842712]
eigh计算的特征值（实对称矩阵必为实数）：
 [0.17157288 5.82842712]

eig特征向量的正交性（转置×自身）：
 [[1.00000000e+00 2.58605321e-17]
 [2.58605321e-17 1.00000000e+00]]
eigh特征向量的正交性（转置×自身）：
 [[ 1.00000000e+00 -2.16349973e-17]
 [-2.16349973e-17  1.00000000e+00]]

eig验证 A·x = λ·x： True
eigh验证 A·x = λ·x： True

案例 3：复矩阵的计算

定义一个复埃尔米特矩阵（如a = np.array([[1, -2j], [2j, 5]])，满足C = C^H，即共轭转置等于自身）。

用eigh计算，验证特征值为实数，特征向量正交。

import numpy as np

# 定义一个复埃尔米特矩阵（实对称矩阵的复数推广）
a = np.array([[1, -2j], [2j, 5]])  # 元素(0,1)与(1,0)共轭，满足a = a^H（共轭转置）
print("复埃尔米特矩阵 a：\n", a)

# 验证矩阵是否满足 a = a^H（共轭转置）
is_hermitian = np.allclose(a, a.conj().T)
print("验证 a 是否为复埃尔米特矩阵（a == a^H）：", is_hermitian)  

# 用eigh计算特征值（w）和特征向量（v）（专为埃尔米特矩阵设计）
w, v = np.linalg.eigh(a)
print("\neigh计算的特征值（应为实数）：\n", w)
print("eigh计算的特征向量矩阵：\n", v)

# 验证定义：A·x = λ·x
verify_eigh_def = np.allclose(np.dot(a, v), w * v)
print("验证 eigh 结果满足 A·x = λ·x：", verify_eigh_def)  

# 用普通eigvals验证特征值（结果应与eigh一致，且为实数）
eigvals_result = np.linalg.eigvals(a)
print("\neigvals计算的特征值：\n", eigvals_result)
verify_eigvals = np.allclose(eigvals_result, w)  # 对比eigvals与eigh的特征值
print("验证 eigvals 与 eigh 的特征值是否一致：", verify_eigvals)  

# 验证eigh的UPLO参数（指定用矩阵的上三角部分计算，结果不变）
w_u, v_u = np.linalg.eigh(a, UPLO='U')  # 用矩阵上三角部分计算
print("\nUPLO='U'时eigh计算的特征值：\n", w_u)
verify_uplo = np.allclose(np.dot(a, v_u), w_u * v_u)  # 验证特征值定义
print("验证 UPLO='U'时结果满足 A·x = λ·x：", verify_uplo)  
print("验证 UPLO='U'与默认参数的特征值是否一致：", np.allclose(w, w_u))  

复埃尔米特矩阵 a：
 [[ 1.+0.j -0.-2.j]
 [ 0.+2.j  5.+0.j]]
验证 a 是否为复埃尔米特矩阵（a == a^H）： True

eigh计算的特征值（应为实数）：
 [0.17157288 5.82842712]
eigh计算的特征向量矩阵：
 [[-0.92387953+0.j         -0.38268343+0.j        ]
 [ 0.        +0.38268343j  0.        -0.92387953j]]
验证 eigh 结果满足 A·x = λ·x： True

eigvals计算的特征值：
 [0.17157288+0.j 5.82842712+0.j]
验证 eigvals 与 eigh 的特征值是否一致： True

UPLO='U'时eigh计算的特征值：
 [0.17157288 5.82842712]
验证 UPLO='U'时结果满足 A·x = λ·x： True
验证 UPLO='U'与默认参数的特征值是否一致： True

五、常见问题与注意事项

1. 输入必须是方阵：非方阵调用eig会报错，需提前检查矩阵维度。

2. 浮点精度问题：由于数值计算误差，验证时需用np.allclose（而非==）判断近似相等。

3. 复数特征值的意义：实矩阵可能有复特征值（共轭成对出现），对应 “旋转 + 缩放” 的变换（如旋转矩阵的特征值为复数）。

4. 特征向量的非唯一性：特征向量是 “方向唯一”，其长度可任意缩放（NumPy 返回的特征向量通常已归一化）。

六、应用拓展：从计算到实际场景

1. PCA 降维：对数据协方差矩阵（对称矩阵）用eigh计算特征值，取前 k 个最大特征值对应的特征向量，将高维数据投影到低维空间。

2. 物理系统分析：用特征值表示系统的固有频率，特征向量表示振型，通过 NumPy 快速求解复杂系统的振动特性。

七、总结与展望

1. 总结：回顾 NumPy 中eig和eigh的用法，强调根据矩阵类型（一般方阵 / 对称矩阵）选择合适函数的重要性。

2. 拓展：提及更高阶的需求，如稀疏矩阵的特征值计算（可结合scipy.sparse.linalg），或大规模矩阵的近似求解方法。