为何用Numpy还原特征向量时与输入不一致？如何稳定转换？

问题重现 #

用户尝试通过特征向量和特征值构建矩阵A，再反向提取特征值和特征向量，但结果与初始组合不符，代码及运行结果如下：

代码 #

import numpy as np

evecs = np.array([[6.12e-32, 0.00, 1.0], [0.71, 0.71, 0.00], [-0.71,  0.71,  0.00]])
evals = np.diag(np.array([0.6, 0.3, 0.1]))
A = np.dot(np.dot(evecs, evals), np.linalg.inv(evecs))
eigenvalues, eigenvectors = np.linalg.eig(A)

运行结果 #

print(eigenvalues)
# [0.1 0.6 0.3]

print(eigenvectors)
# [[ 1.000000000000000e+00  6.095061268819254e-32  5.775657482482331e-49]
#  [ 0.000000000000000e+00  7.071067811865475e-01  7.071067811865475e-01]
#  [ 0.000000000000000e+00 -7.071067811865475e-01  7.071067811865475e-01]]

print(eigenvectors[:,1])
# [ 6.095061268819254e-32  7.071067811865475e-01 -7.071067811865475e-01]

用户疑惑：对应最大特征值的特征向量与初始认为的[0,0,1]不符，且想知道避免逆矩阵的稳定方法。

一、特征向量“轴切换”的原因与还原方法 #

1. 核心误解：特征向量矩阵的列而非行对应特征向量 #

你混淆了特征向量矩阵的维度定义：在A = evecs @ evals @ np.linalg.inv(evecs)的分解中，evecs的每一列才是对应特征值的特征向量，而非行。

看你的初始输入：

• evecs[:,0]（第一列）：[6.12e-32, 0.71, -0.71] → 对应特征值0.6（evals的第一个对角元素）
• evecs[:,1]（第二列）：[0, 0.71, 0.71] → 对应特征值0.3
• evecs[:,2]（第三列）：[1.0, 0, 0] → 对应特征值0.1

而输出的eigenvalues顺序是[0.1, 0.6, 0.3]，对应的特征向量列是：

• eigenvectors[:,0] → 对应0.1，和evecs[:,2]完全一致（浮点误差可忽略）
• eigenvectors[:,1] → 对应0.6，和evecs[:,0]几乎完全一致（0.71是√2/2≈0.7071的近似值，6.12e-32与6.09e-32是浮点精度差异）

你误以为的[0,0,1]是evecs的第一行，并非特征向量，这是导致误解的核心原因。

2. 特征值顺序的问题 #

np.linalg.eig不保证返回的特征值是排序后的，所以特征向量的列顺序会随特征值顺序变化。若要还原初始的特征值-特征向量对应关系，只需将特征值与特征向量配对后，按初始特征值顺序重新排列：

# 配对特征值与特征向量
pairs = list(zip(eigenvalues, eigenvectors.T))
# 按初始特征值顺序([0.6,0.3,0.1])排序
sorted_pairs = sorted(pairs, key=lambda x: [0.6,0.3,0.1].index(x[0]))
# 重新提取排序后的特征值和特征向量
restored_evals = np.array([p[0] for p in sorted_pairs])
restored_evecs = np.array([p[1] for p in sorted_pairs]).T

此时restored_evecs的列就会和初始evecs的列一一对应（浮点误差范围内）。

二、避免逆矩阵的稳定实现方法 #

当特征向量矩阵是正交矩阵时（你的evecs满足正交性：任意两列点积为0），其逆矩阵等于转置矩阵（np.linalg.inv(evecs) = evecs.T），此时用转置代替逆矩阵计算，数值稳定性更高且效率更快：

# 构建矩阵A的稳定方式
A = evecs @ evals @ evecs.T

验证：正交矩阵的转置等于逆，这是正交矩阵的核心性质，因此该计算与原方法等价，但避免了逆矩阵计算可能带来的数值误差（尤其是当矩阵接近奇异时）。

如果你的特征向量未正交归一化，可先对特征向量矩阵做QR分解，得到正交化的特征向量矩阵后再进行计算，进一步提升稳定性。

内容的提问来源于stack exchange，提问作者Nordlendingen