NumPy 1.14 - numpy.linalg.eigvalsh()

numpy.linalg.eigvalsh




numpy

numpy.linalg.eigvalsh

numpy.linalg.eigvalsh(a, UPLO='L') [source]

हरमिटियन या वास्तविक सममित मैट्रिक्स के आइगेनवेल्यूज़ की गणना करें।

ईग से मुख्य अंतर: आइजनवेक्टर की गणना नहीं की जाती है।

पैरामीटर:

a : (…, M, M) array_like

एक जटिल- या वास्तविक-मूल्यवान मैट्रिक्स, जिसके आइजेन्यूल्स की गणना की जानी है।

यूपीएलओ : {'एल', 'यू'}, वैकल्पिक

निर्दिष्ट करता है कि गणना a ('एल', डिफ़ॉल्ट) के निचले त्रिकोणीय भाग या ऊपरी त्रिकोणीय भाग ('यू') के साथ की जाती है। इस मूल्य के बावजूद, विकर्ण के वास्तविक भागों को हर्मिटियन मैट्रिक्स की धारणा को संरक्षित करने के लिए गणना में माना जाएगा। इसलिए यह इस प्रकार है कि विकर्ण के काल्पनिक भाग को हमेशा शून्य माना जाएगा।

यह दिखाता है:

w : (…, M,) ndarray

आरोही क्रम में प्रतिजन, प्रत्येक अपनी बहुलता के अनुसार दोहराया गया।

जन्म देती है:

LinAlgError

यदि आइजनवेल्यू अभिकलन अभिसरण नहीं करता है।

यह भी देखें

eigh
सममित / हर्मिटियन सरणियों के ईजेनवेल्यूज और ईजीनवेक्टर्स।
eigvals
सामान्य वास्तविक या जटिल सरणियों के eigenvalues।
eig
eigenvalues ​​और सामान्य वास्तविक या जटिल सरणियों के सही eigenvectors।

टिप्पणियाँ

संस्करण 1.8.0 में नया।

प्रसारण नियम लागू होते हैं, विवरण के लिए numpy.linalg प्रलेखन देखें।

Eigenvalues ​​LAPACK दिनचर्या _syevd, _heevd का उपयोग करके गणना की जाती है

उदाहरण

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