关于np.linalg.eig计算4x4矩阵返回特征向量是否有误的咨询

问题背景 #

构造的测试矩阵如下：

M = np.array ([[ 1., 1., -1., 0], [ 1., -2.,  0., 1], [ 1., 1., -1., 0],[ 0.,  0.,  0., 0.]])

基于线性代数规则推导：矩阵最后一行全为0，非零特征值对应的特征向量$[x_1, x_2, x_3, x_4]$的第四个分量$x_4$应该为0，因此怀疑np.linalg.eig返回结果有误。

结果正确性验证 #

首先确认推导逻辑成立：若$\lambda$为非零特征值，对应特征向量$v=(x_1,x_2,x_3,x_4)$满足$Mv=\lambda v$。由于M第四行全为0，因此$Mv$的第四个分量恒为0，对应等式右侧$\lambda x_4=0$，$\lambda \neq 0$时确实要求$x_4=0$。

查看np.linalg.eig的输出规则：返回的特征向量矩阵每一列对应一个特征值的特征向量，矩阵第四行即为所有特征向量的$x_4$分量。对照你给出的输出：

Eigenvalues :
[ 0.95646559+1.656647j  0.95646559-1.656647j -1.91293118+0.j
0.        +0.j      ]
Eigenvectors :
[[ 0.77374282+0.j          0.77374282-0.j         -0.08130353+0.j
-0.64465837+0.j        ]
[ 0.19917375-0.11160644j  0.19917375+0.11160644j -0.93378468+0.j
-0.32232919+0.j        ]
[-0.08274466-0.58510614j -0.08274466+0.58510614j  0.34847655+0.j
0.40291148+0.j        ]
[ 0.        +0.j          0.        -0.j          0.        +0.j
0.56407607+0.j        ]]

• 前三个非零特征值对应的特征向量，$x_4$分量分别为0+0j、0-0j、0+0j，完全符合$x_4=0$的要求
• 只有第四个特征值为0，对应的特征向量$x_4$分量非零，也满足$0\times x_4=0$的等式约束

结论 #

np.linalg.eig的计算结果完全符合线性代数规则，该误解来自对特征向量矩阵行列对应关系的误读。

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