如何使用numpy.linalg.eig获取满秩线性无关特征向量矩阵

从线性代数知识可知，任意对称矩阵（记为A）的特征向量满足正交归一性，也就是说若M是由全部特征向量拼装成的矩阵，应当满足|det(M)| = 1。实际测试numpy.linalg.eig对对称矩阵的求解结果时，会出现不符合该性质的表现，测试代码如下：

import numpy as np

def get_det(A, func, decimals=12):
    eigenvectors = func(A)[1]
    return np.round(np.absolute(np.linalg.det(eigenvectors)), decimals=decimals)

n = 100
x = np.meshgrid(* 2 * [np.linspace(0, 2 * np.pi, n)])
A = np.sin(x[0]) + np.sin(x[1])
A += A.T # 冗余步骤，仅用于明确矩阵为对称矩阵
print(get_det(A, np.linalg.eigh), get_det(A, np.linalg.eig))

运行输出：

>>> 1.0 0.0

结果显示numpy.linalg.eigh返回了符合正交归一性质的特征向量矩阵，而numpy.linalg.eig返回的特征向量矩阵行列式接近0，几乎不可逆。

两个接口结果差异的核心原因 #

差异来自两个函数的设计定位与底层算法逻辑区别：

• numpy.linalg.eigh是专门为对称/厄米矩阵设计的特征值求解器，算法本身利用了对称矩阵的数学性质，会对退化（重复）特征值对应的特征子空间做正交归一化处理，因此无论是否存在重复特征值，返回的特征向量都构成正交归一基，对应矩阵行列式绝对值恒为1。
• numpy.linalg.eig是通用特征值求解器，不假设输入矩阵具有对称性，算法不会专门对重复特征值对应的特征向量做正交化处理。当矩阵存在重复或数值上非常接近的特征值时，返回的特征向量可能出现线性相关的情况，直接导致矩阵行列式接近0、不可逆。

该逻辑可以在无退化特征值的对称矩阵上得到验证：

import numpy as np
n = 100
A = np.random.randn(n, n)
A += A.T

print(get_det(A, np.linalg.eigh), get_det(A, np.linalg.eig))

运行输出：

>>> 1.0 1.0

当对称矩阵的特征值互异时，eig返回的特征向量天然线性无关，归一化后自然满足行列式绝对值为1，和eigh结果一致。

近似对称矩阵的满秩特征向量获取方案 #

针对需要处理近似对称但非完全对称矩阵、要求特征向量矩阵满秩可逆的场景，可按实际情况选择方案：

• 若矩阵的非对称分量来自浮点计算误差，无实际数学/物理意义：最稳妥高效的方式是先对矩阵做对称化预处理，再调用eigh求解，该方法的精度和数值稳定性远高于直接用eig求解非对称矩阵：

  A = (A + A.T.conj()) / 2  # 处理实矩阵时可去掉conj()
  eigenvalues, eigenvectors = np.linalg.eigh(A)
  

  该方法得到的特征向量矩阵天然是正交矩阵，满秩可逆，行列式绝对值恒为1。
• 若矩阵确实存在非对称分量，不能直接做对称化处理：先调用eig得到特征向量矩阵，再对矩阵做QR分解提取列正交的满秩基：

  eigenvalues, V = np.linalg.eig(A)
  # 对特征向量做QR正交化，得到列正交的满秩矩阵Q
  Q, R = np.linalg.qr(V)
  # Q即为特征子空间对应的正交归一基，|det(Q)|=1，满秩可逆
  

  需要注意：非对称矩阵如果存在退化特征值，本身不存在一组两两正交的严格特征向量，QR分解得到的是对应特征子空间的正交归一基，而非逐个对应特征值的严格特征向量，但完全可以满足后续计算对矩阵可逆、满秩的要求。

额外说明：只有对称矩阵、正规矩阵（满足A@A.H = A.H@A）的特征向量才满足正交归一性，普通非对称矩阵的特征向量矩阵本身不需要是正交矩阵，不需要强行追求行列式绝对值为1，正交化处理只是为了避免数值计算中出现奇异矩阵问题。

内容的提问来源于stack exchange，提问作者sams-studio