Python中矩阵对角化时保持对角元素顺序的方法

因为你的矩阵非对角元素远小于对角元素，特征值会和原对角元素一一对应且非常接近，只需通过最优匹配将每个特征值映射到最接近的原对角元素，再按原对角元素的顺序排列即可。

具体实现步骤 #

1. 提取原矩阵的对角元素，同时计算特征值
2. 构建特征值与对角元素的距离矩阵
3. 使用二分图匹配找到每个特征值对应的最优对角元素
4. 按原对角元素的顺序重新排列特征值

代码示例 #

import numpy as np
from scipy.optimize import linear_sum_assignment

# 构造示例矩阵（对角元素+微小非对角扰动）
matrix = np.diag([100, 200, 300]) + np.random.normal(0, 0.1, (3, 3))

# 提取原对角元素和特征值
original_diag = np.diag(matrix)
eigen_vals, _ = np.linalg.eig(matrix)

# 计算每个特征值到每个对角元素的绝对距离
distance_matrix = np.abs(eigen_vals[:, np.newaxis] - original_diag[np.newaxis, :])

# 用线性分配算法找到最小总距离的匹配（避免错误配对）
_, matched_indices = linear_sum_assignment(distance_matrix)

# 按原对角元素的顺序排列对应的特征值
aligned_eigen_vals = eigen_vals[matched_indices]

print("原对角元素:", original_diag)
print("未排序特征值:", eigen_vals.round(2))
print("匹配后特征值:", aligned_eigen_vals.round(2))

关键说明 #

• linear_sum_assignment 会解决二分图的最优匹配问题，确保每个特征值对应唯一且距离最近的原对角元素，完全适配非单调的对角元素场景（比如原对角元素是[300,100,200]的情况）。
• 由于你的非对角元素远小于对角元素，特征值与对应对角元素的距离会远小于与其他对角元素的距离，因此匹配不会出现歧义。

内容的提问来源于stack exchange，提问作者Silviu