VisibleDeprecationWarning含义解析及Python特征矩阵提取代码报错修复

问题背景 #

用户尝试用以下Python代码提取两个MMF矩阵文本的特征矩阵（EI）：

import numpy as np
from numpy import *
from matplotlib.pyplot import *
import re
import scipy.linalg as la

data = loadtxt('matKSMMF.txt', skiprows=8)
s = len(data)
print(s)
n = 6567
kmat = [[0 for _ in range(n)] for _ in range(n)]
for x in range(s):
    m = data[x:x+1,:]
    kmat[int(m[0,0])-1][int(m[0,1])-1] = m[0,2]
K = np.array(kmat)
print(K)

data = loadtxt('matMSMMF.txt', skiprows=8)
s = len(data)
print(s)
n = 6567
Mmat = [[0 for _ in range(n)] for _ in range(n)]
for x in range(s):
    m = data[x:x+1,:]
    Mmat[int(m[0,0])-1][int(m[0,1])-1] = m[0,2]
M = np.array(Mmat)
print(M)

inv_M = np.linalg.inv(M)
print(inv_M)

L = la.eig(inv_M @ K)
print('Eigen vector matrices is', L)
EI = np.array(L)
print(EI)

运行代码时出现如下警告与错误：

VisibleDeprecationWarning: Creating an ndarray from ragged nested sequences (which is a list-or-tuple of lists-or-tuples-or ndarrays with different lengths or shapes) is deprecated. If you meant to do this, you must specify 'dtype=object' when creating the ndarray.
  EI=np.array(L)
Traceback (most recent call last):
  File "mmf.py", line 30, in <module>
    EI=np.array(L)
ValueError: could not broadcast input array from shape (6567,6567) into shape (6567,)

警告与错误含义 #

警告含义 #

VisibleDeprecationWarning的触发原因是：scipy.linalg.eig()返回的是一个元组，包含两个形状完全不同的数组：

• 第一个元素是特征值数组，形状为(6567,)（一维数组）
• 第二个元素是特征向量矩阵，形状为(6567,6567)（二维数组）
  当你直接用np.array(L)尝试把这个元组转成numpy数组时，因为两个子数组形状不匹配，属于"不规则嵌套序列"，numpy会抛出这个 deprecation 警告，提示这种用法未来会被禁用。

错误含义 #

ValueError的本质是numpy无法将两个形状不同的数组广播成一个统一的数组：特征值是一维的，特征向量是二维的，两者维度不兼容，无法合并成一个单一的numpy数组，因此报错。

修复方案 #

核心修复：正确处理la.eig()的返回值 #

scipy.linalg.eig()的返回值是(特征值数组, 特征向量矩阵)的元组，不需要强行合并成一个数组，应该根据需求分别提取：

方案1：分别提取特征值和特征向量（推荐）

这是最合理的处理方式，因为特征值和特征向量是不同用途的数据，分开使用更灵活：

# 替换原代码中L=la.eig(...)及之后的代码
eigenvalues, eigenvectors = la.eig(inv_M @ K)
# 如果EI指的是特征向量矩阵，直接赋值即可
EI = eigenvectors
print("特征向量矩阵EI的形状：", EI.shape)
print(EI)

# 如需保存特征值，可单独处理
# print("特征值数组：", eigenvalues)

方案2：强行合并为对象数组（不推荐）

如果确实需要将两者放在一个数组中，可以通过指定dtype=object来避免警告和错误，但这种方式会让数组操作变得不灵活，仅在特殊场景下使用：

EI = np.array(L, dtype=object)
print(EI)

代码优化建议 #

原代码存在一些可以简化和高效化的地方：

1. 避免全局导入：去掉from numpy import *和from matplotlib.pyplot import *，防止命名冲突，使用np.前缀调用numpy方法即可。
2. 用numpy直接初始化矩阵：替换列表推导式初始化矩阵的方式，使用np.zeros((n,n))更高效：

   # 替换原代码中kmat的初始化和赋值逻辑
   kmat = np.zeros((n, n))
   for x in range(s):
       row = int(data[x, 0]) - 1
       col = int(data[x, 1]) - 1
       kmat[row, col] = data[x, 2]
   K = kmat  # 无需再转成数组
   

   M矩阵的初始化和赋值可以做同样的修改。

内容的提问来源于stack exchange，提问作者Md Salem