Lernen Implementierung von Eigenvektoren und Eigenwerten in Python

Berechnung von Eigenwerten und Eigenvektoren


              12345678910111213
            
import numpy as np
from numpy.linalg import eig

# Define matrix A (square matrix)
A = np.array([[2, 1],
              [1, 2]])

# Solve for eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Print eigenvalues and eigenvectors
print(f'Eigenvalues:\n{eigenvalues}')
print(f'Eigenvectors:\n{eigenvectors}')

eig() aus der Bibliothek numpy berechnet die Lösungen der Gleichung:

A v = \lambda v

eigenvalues: eine Liste von Skalaren $\lambda$ , die die Eigenvektoren skalieren;
eigenvectors: Spalten, die $v$ darstellen (Richtungen, die sich unter der Transformation nicht ändern).

Validierung jedes Paares (Schlüsselschritt)


              1234567891011121314151617
            
import numpy as np
from numpy.linalg import eig

# Define matrix A (square matrix)
A = np.array([[2, 1],
              [1, 2]])

# Solve for eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Verify that A @ v = λ * v for each eigenpair
for i in range(len(eigenvalues)):
    print(f'Pair {i + 1}:')
    λ = eigenvalues[i]
    v = eigenvectors[:, i].reshape(-1, 1)
    print(f'A * v:\n{A @ v}')
    print(f'lambda * v:\n{λ * v}')

Dies prüft, ob:

A v = \lambda v

Die beiden Seiten sollten nahezu übereinstimmen, was die Korrektheit bestätigt. So werden theoretische Eigenschaften numerisch validiert.

War alles klar?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 12

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Awesome!

Completion rate improved to 1.96

Swipe um das Menü anzuzeigen