Python中如何使用assert校验矩阵所有特征值大于0判断正定性

首先修正你现有代码的笔误：特征值计算的正确接口是np.linalg.eigvals，你写的eievals是拼写错误，运行会报属性不存在的异常。

你不需要用np.where实现这个校验，NumPy原生的向量化判断逻辑搭配np.all就可以非常简洁地实现需求，比np.where的写法更直接、性能更好。

基础实现（严格判断） #

直接用np.all()判断所有特征值是否满足大于0的条件，和assert结合的写法如下：

import numpy as np

def check_matrix_pd(matrix: np.ndarray) -> None:
    eigenvalues = np.linalg.eigvals(matrix)
    # 所有特征值大于0才会通过校验，否则抛出异常并打印异常特征值
    assert np.all(eigenvalues > 0), f"矩阵非正定，特征值列表：{eigenvalues}"

eigenvalues > 0会返回一个和特征值数组同形状的布尔数组，每个位置对应该位置特征值是否大于0；np.all()会判断这个布尔数组是否全为True，只有全True时才会通过assert校验。

工程可用的鲁棒实现（带浮点数容差） #

浮点数计算存在固有精度误差，很多理论上正定的矩阵，计算出来的特征值可能出现-1e-16这类无限接近0的负值，直接判断>0会出现误判。实际使用时建议设置一个极小的容差阈值（比如1e-8），判断特征值大于阈值即可，同时可以提前校验输入是否为方阵（正定矩阵的前提是方阵）：

import numpy as np

def assert_matrix_pd(matrix: np.ndarray, tol: float = 1e-8) -> None:
    # 提前校验输入为方阵
    assert matrix.ndim == 2 and matrix.shape[0] == matrix.shape[1], "输入必须为方阵才能校验正定性"
    # 如果你的矩阵是对称矩阵（比如协方差矩阵、核矩阵，你给出的示例矩阵就是对称的），
    # 请用np.linalg.eigvalsh代替eigvals，该接口专门针对对称/埃尔米特矩阵优化，速度更快精度更高
    eigenvalues = np.linalg.eigvalsh(matrix)
    assert np.all(eigenvalues > tol), f"矩阵非正定，最小特征值为{eigenvalues.min():.2e}，低于容差阈值{tol}"

大矩阵场景的高性能可选方案 #

如果你的矩阵维度很高，计算全部特征值的开销会比较大，这时候可以用Cholesky分解判断正定性：正定矩阵可以唯一分解为下三角矩阵和其转置的乘积，如果分解失败就说明矩阵非正定，该方法的计算速度远快于全特征值计算，适合对称矩阵场景：

import numpy as np

def assert_matrix_pd_fast(matrix: np.ndarray, tol: float = 1e-8) -> None:
    assert matrix.ndim == 2 and matrix.shape[0] == matrix.shape[1], "输入必须为方阵才能校验正定性"
    # 消除浮点数误差导致的不对称问题
    sym_matrix = (matrix + matrix.T) / 2
    try:
        chol_L = np.linalg.cholesky(sym_matrix)
        assert np.all(np.diag(chol_L) > tol), "矩阵存在接近0的特征值，不满足正定要求"
    except np.linalg.LinAlgError:
        raise AssertionError("矩阵非正定，无法完成Cholesky分解")

为什么不推荐用np.where #

np.where的作用是返回符合条件的元素索引/值，用它做校验需要额外判断返回的符合条件的元素数量是否等于特征值总长度，属于冗余的绕路写法，可读性和性能都不如直接用np.all。

内容的提问来源于stack exchange，提问作者user16836078