Numpy多项式根结果与Matlab不符的原因及Python解决方法

1. 为什么Numpy出现浮点虚部，而Matlab没有？ #

Matlab的roots函数对低阶多项式（如二次、三次）会优先使用解析求根公式。对于x² -800x +160000这种完全平方式，解析解法能直接得到精确的实重根400，不会引入数值误差。
而Numpy的np.roots始终采用伴随矩阵特征值计算的数值方法求解，重根场景下数值稳定性较差，浮点计算的微小误差会表现为极小的虚部，这是数值算法的固有特性。

2. 二者是否都基于伴随矩阵算法？ #

并非如此：

• Matlab的roots是混合实现：低阶多项式用解析解法，高阶多项式才会切换到伴随矩阵或其他数值方法；
• Numpy的np.roots完全依赖伴随矩阵的特征值计算，没有针对低阶多项式做特殊优化。

3. Python中如何可靠判断实际根为实重根？ #

针对未知是否存在实重根的场景，可以结合符号计算和数值验证两种方式：

方法1：符号计算检测重根 #

通过计算多项式与其导数的最大公因式（GCD），若GCD次数≥1，说明存在重根，可直接求解GCD的根得到重根值：

import numpy as np
from sympy import Poly, symbols

x = symbols('x')
coeffs = [1, -800, 160000]
poly = Poly(coeffs, x)
deriv_poly = poly.diff()

# 计算多项式与导数的GCD
gcd_poly = poly.gcd(deriv_poly)
if gcd_poly.degree() > 0:
    print("检测到重根：", [float(r) for r in gcd_poly.all_roots()])

方法2：数值求解后处理验证 #

对Numpy求解得到的根，过滤虚部极小的项视为实根，再代入原多项式验证：

import numpy as np

coeffs = [1, -800, 160000]
roots = np.roots(coeffs)

# 设定误差阈值，过滤虚部可忽略的根
tolerance = 1e-10
real_candidates = np.real(roots[np.abs(np.imag(roots)) < tolerance])

# 验证候选根是否满足原多项式
valid_roots = [r for r in real_candidates if np.isclose(np.polyval(coeffs, r), 0, atol=tolerance)]
print("验证后的实根：", valid_roots)

内容的提问来源于stack exchange，提问作者Gary Allen