scipy.sparse.linalg.eigsh()特征值排序异常及相关问题咨询

问题1：指定which='SA'不返回特征向量时，结果为何是升序还需重新排序？ #

官方文档明确说明：当which='SA'且不返回特征向量时，特征值按绝对值排序。你给出的E1是[-5.8445426, -5.87106398, ..., -6.42135482]，观察绝对值的话，是从5.8445到6.4213的升序排列——也就是绝对值最小的特征值在前。但SA的字面意思是"最小代数值"，这里的矛盾源于底层ARPACK算法的实现优化：不返回特征向量时，算法会采用更高效的方式跟踪特征值，此时默认按绝对值排序而非代数值。

如果你需要的是代数值最小的特征值（比如E1中的-6.4213），必须对结果手动重新排序，不能依赖默认输出的顺序。

问题2：返回特征向量时E2无明显顺序，代数值排序的含义是什么？是否需要重排？ #

返回特征向量时，eigsh会按代数值返回最小的k个特征值，但存在简并特征值时，简并子空间内的特征值顺序不做保证。你给出的E2中，-6.39249619、-5.87106398都是简并特征值（重复出现），这些值的相对位置由算法内部的正交化过程决定，没有固定顺序，所以整体看起来像是乱序，但非简并的特征值其实是符合"从最小到次小"的趋势的（比如开头的-6.4213是代数值最小的，接着是-6.3975等）。

代数值排序的核心是：返回的k个特征值是整个矩阵中代数值最小的k个，但简并特征值的顺序无法保证。如果需要严格的升序/降序排列，必须手动对特征值和对应的特征向量同步排序（比如用np.argsort(E2)获取排序索引，再用该索引重新排列E2和特征向量矩阵）。

问题3：特征向量如何影响特征值排序？物理应用角度的解释 #

特征向量本身不会"影响"特征值的排序，而是eigsh在返回特征向量时的算法逻辑与不返回时不同：

• 不返回特征向量时，算法优先追求效率，仅跟踪特征值的绝对值，因此按绝对值排序；
• 返回特征向量时，算法需要完整处理特征子空间（包括简并情况），此时严格遵循"代数值最小优先"的规则，但简并子空间内的特征值顺序由正交化步骤决定，无固定性。

从量子力学的物理场景来看，厄米矩阵通常对应哈密顿量，特征值是能量本征值，特征向量是本征态：

• 基态对应代数值最小的能量本征值（因为哈密顿量的能量有下界）。此时无论是否返回特征向量，你都需要确保拿到的是代数值最小的特征值：
  • 不返回特征向量时，必须手动排序找到代数值最小的；
  • 返回特征向量时，虽然简并特征值顺序乱，但所有返回的都是代数值最小的k个，排序后即可得到从基态到激发态的能量序列，对应的特征向量也会同步对应到各本征态。

内容的提问来源于stack exchange，提问作者WikawTirso