两种方法计算矩阵奇异值结果不一致，求技术协助

你遇到的问题核心有两个：

• np.linalg.svd返回的奇异值是降序排列的，而np.linalg.eigvals返回的特征值是无序的
• 由于数值计算误差，R.T @ R的特征值可能带有极小的虚部，直接开平方会得到复数

修正步骤： #

1. 对R.T @ R的特征值取实部（半正定矩阵的特征值理论上是实数）
2. 过滤掉极小的非正值（数值误差导致的负数或零）
3. 对特征值的平方根进行降序排序，和SVD的结果对齐

修正后的代码： #

import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np

A = mpimg.imread('sunflower.jpeg')
R = A[:,:,0]

# 方法1：SVD计算奇异值
U, S_svd, V = np.linalg.svd(R)
# 方法2：特征值法修正版
rW = np.linalg.eigvals(np.dot(R.T, R))
# 处理数值误差：取实部，过滤极小负值，开平方后降序排序
singvals_eig = np.sqrt(np.maximum(np.real(rW), 0))
singvals_eig = np.sort(singvals_eig)[::-1]
# 截断到和SVD结果一致的长度（取矩阵行列数的较小值）
singvals_eig = singvals_eig[:len(S_svd)]

# 验证结果一致性（允许浮点计算的微小误差）
print(np.allclose(S_svd, singvals_eig))  # 正常会输出True

补充说明： #

• 半正定矩阵的特征值理论上非负，但浮点计算中可能出现极小的负数，用np.maximum(..., 0)可以避免开平方时出现NaN
• SVD返回的奇异值数量是矩阵行数和列数的较小值，而R.T @ R的特征值数量等于列数，所以要截断到和SVD一致的长度
• 用np.allclose对比结果，允许浮点计算的微小误差，而非直接判断数值完全相等

内容的提问来源于stack exchange，提问作者TheIndex