Numpy计算半正定矩阵特征值异常：eig与eigh如何选择？

问题根源 #

• numpy.linalg.eigh仅适用于实对称/复厄米特矩阵，你的随机游走拉普拉斯矩阵laplacian_rw是半正定但非对称的，用eigh会直接基于矩阵下三角部分计算，完全偏离真实特征值。
• numpy.linalg.eig对实矩阵计算时，理论上半正定矩阵的特征值应为非负实数，但浮点计算误差会产生极小的虚部（如0j），这是数值计算的正常现象。

解决方案 #

1. 对称半正定矩阵（如标准拉普拉斯laplacian）

继续使用eigh，仅需修正浮点误差带来的极小值：

eigs2, _ = np.linalg.eigh(laplacian)
# 将接近0的极小值修正为0
eigs2_corrected = np.where(np.isclose(eigs2, 0, atol=1e-12), 0.0, eigs2)
print(np.sort(eigs2_corrected))

2. 非对称半正定矩阵（如随机游走拉普拉斯laplacian_rw）

必须用eig计算，再提取实部并修正数值误差：

eigs1, _ = np.linalg.eig(laplacian_rw)
# 提取实部（虚部为浮点误差导致的极小值）
eigs1_real = np.real(eigs1)
# 修正极小负值与接近0的值
eigs1_corrected = np.where(np.isclose(eigs1_real, 0, atol=1e-12), 0.0, eigs1_real)
eigs1_corrected[eigs1_corrected < 0] = 0.0
print(np.sort(eigs1_corrected))

完整修正后的MWE #

import numpy as np
from numpy.random import RandomState

rng = RandomState(123456)

num_v = 4

weights = rng.uniform(0, 1, num_v * num_v).reshape((num_v, num_v))
weights = np.tril(weights) + np.triu(weights.T, 1)
np.fill_diagonal(weights, 0)

degrees = weights.sum(axis=0)

degrees_rw = 1 / degrees
D_rw = np.diag(degrees_rw)

degrees = 1 / np.sqrt(degrees)
D = np.diag(degrees)

I = np.eye(num_v)

laplacian = I - np.matmul(np.dot(D, weights), D)
laplacian_rw = I - np.matmul(D_rw, weights)

# 处理对称拉普拉斯矩阵
eigs2, _ = np.linalg.eigh(laplacian)
eigs2_corrected = np.where(np.isclose(eigs2, 0, atol=1e-12), 0.0, eigs2)
print("对称拉普拉斯特征值（修正后）：", np.sort(eigs2_corrected))

# 处理随机游走拉普拉斯矩阵
eigs1, _ = np.linalg.eig(laplacian_rw)
eigs1_real = np.real(eigs1)
eigs1_corrected = np.where(np.isclose(eigs1_real, 0, atol=1e-12), 0.0, eigs1_real)
eigs1_corrected[eigs1_corrected < 0] = 0.0
print("\n随机游走拉普拉斯特征值（修正后）：", np.sort(eigs1_corrected))

总结 #

• 对称半正定矩阵：优先用eigh，结果更稳定，仅需修正浮点误差。
• 非对称半正定矩阵：只能用eig，提取实部后过滤极小虚部与负值，即可得到符合理论预期的非负特征值。

内容的提问来源于stack exchange，提问作者vpk