Python中特征值与特征向量计算精度如何？能否提升精度？

计算精度水平 #

实际计算的精度受矩阵特性、算法实现和浮点数精度共同影响：

• 对称/Hermitian矩阵：这类矩阵的特征向量天然正交，主流算法（如LAPACK的DSYEV/ZHEEV，对应NumPy的eigh）会针对性优化，特征值的误差通常能达到双精度浮点数的机器精度（约1e-16），特征向量的正交性偏差（即E @ E.T - I的元素绝对值）一般在1e-15~1e-16量级。
• 非对称矩阵：精度差异较大。若矩阵特征值分离度好，特征值误差仍能维持在机器精度附近，但特征向量的正交性偏差可能达到1e-12~1e-10；如果矩阵存在相近特征值（病态情况），特征向量的误差会被显著放大，甚至可能达到1e-5级别，特征值的误差也会随条件数增大而上升。
• 浮点数精度限制：单精度（32位）计算的整体精度比双精度低一个数量级，约1e-8左右，仅适合对精度要求极低的场景。

理论上的正交性在数值计算中无法完全实现，本质是浮点数舍入误差的累积，尤其是大规模矩阵计算时，误差会有轻微叠加，但常规场景下这种偏差可忽略。

提升精度的可行方法 #

• 用专用算法处理对称矩阵：放弃通用的eig函数，改用针对对称/Hermitian矩阵的eigh（NumPy/SciPy）或对应LAPACK接口，这类算法利用矩阵的正交特性减少误差来源，精度和效率都更优。
• 升级浮点数精度：从单精度切换到双精度（多数科学计算库默认双精度）；极端需求下可使用扩展精度（如Python的decimal模块、Fortran的128位浮点数），但会大幅降低计算速度，且部分数值库对扩展精度支持有限。
• 修正特征向量的正交性：若需要严格正交的特征矩阵，可对计算得到的E做正交化修正——比如用Gram-Schmidt方法重新正交化，或对E做QR分解得到正交矩阵Q，此时Q @ Q.T会更接近单位矩阵。注意：这种修正会轻微改变特征向量与特征值的对应关系，需根据场景权衡。
• 降低矩阵病态性：如果是自定义矩阵，避免构造条件数极大的病态矩阵；如果是实际数据生成的矩阵，可先做预处理（如缩放、去相关性）降低条件数，从根源减少误差放大的可能。
• 选择稳定的库实现：优先使用经过工业级优化的数值库（如Intel MKL后端的NumPy、SciPy，或官方LAPACK实现），不要用自制的简易特征值算法，后者的精度和稳定性都难以保障。

内容的提问来源于stack exchange，提问作者Mark