Numpy与Mathematica特征向量结果差异问题解析及验证

计算示例 #

Numpy代码及结果

from numpy.linalg import eig
import numpy as np

A = np.array([[1,2],[3,4]])
eval, evec = eig(A)

print("Eigenvectors:", evec)

输出结果：

Eigenvectors: [[-0.82456484 -0.41597356]
               [ 0.56576746 -0.90937671]]

Mathematica代码及结果

A = {{1, 2}, {3, 4}};
{eval, evec} = Eigensystem[A];
N[evec]

输出结果：

{{0.457427, 1.}, {-1.45743, 1.}}

差异原因与结论 #

1. 特征向量的非唯一性：特征向量的核心性质是，乘以任意非零常数后仍然是原矩阵的特征向量。Numpy返回的是归一化后的特征向量（每个向量的L2范数为1），而Mathematica返回的是将最后一个元素缩放为1的特征向量，二者本质等价。

2. 存储格式差异：

   • Numpy的eig函数返回的特征向量矩阵是按列存储的，每一列对应一个特征向量；
   • Mathematica的Eigensystem返回的特征向量是按行存储的，每一行对应一个特征向量。

用户最初用Numpy结果画波函数出错，并非结果不正确，只是没有对Numpy返回的特征向量矩阵进行转置，导致用列向量的方式处理了行向量数据。

Numpy中匹配Mathematica格式的方法 #

如果需要得到和Mathematica格式一致的特征向量，只需两步：

1. 转置Numpy的特征向量矩阵，将列向量转为行向量；
2. 按需求缩放特征向量（比如将每个向量的最后一个元素调整为1）。

示例代码：

from numpy.linalg import eig
import numpy as np

A = np.array([[1,2],[3,4]])
eval, evec = eig(A)
# 转置得到行向量形式的特征向量
evec_rows = evec.T
# 将每个特征向量缩放为最后一个元素为1的形式
scaled_evec = evec_rows / evec_rows[:, [-1]]
print("匹配Mathematica格式的特征向量：\n", scaled_evec)

运行后输出：

匹配Mathematica格式的特征向量：
 [[-1.45742711  1.        ]
 [ 0.45742711  1.        ]]

和Mathematica的结果仅顺序不同（特征向量的顺序由特征值顺序决定，二者特征值顺序一致即可）。

内容的提问来源于stack exchange，提问作者Sophile