如何按分块构造来源对numpy.linalg.eig返回的矩阵特征值特征向量排序

你构造的矩阵A属于实对称矩阵，优先使用np.linalg.eigh替代np.linalg.eig进行特征分解，计算效率更高、数值更稳定，且返回的特征值默认均为实数，避免复数精度问题。
要按分块构造来源排序，核心思路是通过特征向量在对应分块维度上的能量占比区分来源，你可以按需调整排序规则，具体实现如下： #

完整实现代码 #

import numpy as np

# 你的原始分块矩阵构造逻辑
B = np.zeros((14,14))
C = np.zeros((14,14))
D = np.zeros((14,14))
Ct = C.T
A = np.block([[B,C], [Ct, D]])

# 实对称矩阵特征分解，优先用eigh
vals, vecs = np.linalg.eigh(A)

block_size = B.shape[0]
# 计算每个特征向量在左上角B对应维度（前14维）的能量占比
energy_first_block = np.sum(vecs[:block_size, :] ** 2, axis=0)
# 自定义排序规则：示例为先按前14维能量从高到低排序，同优先级按特征值升序排序
# 若需要优先按右下角D对应维度排序，可将-energy_first_block替换为-np.sum(vecs[block_size:, :] ** 2, axis=0)
sorted_idx = np.lexsort((vals, -energy_first_block))

# 得到排序后的特征值和特征向量
sorted_vals = vals[sorted_idx]
sorted_vecs = vecs[:, sorted_idx]

特殊场景适配 #

如果你必须使用np.linalg.eig做特征分解，由于该接口对实对称矩阵可能返回带极小虚部的特征值/向量，需要先做实数转换再执行排序逻辑：

vals, vecs = np.linalg.eig(A)
# 实对称矩阵理论上无虚部，取实部消除浮点误差
vals = np.real(vals)
vecs = np.real(vecs)
# 后续排序逻辑和上面完全一致

内容的提问来源于stack exchange，提问作者Madlad