Julia中特征分解得到向量型特征值如何重构原矩阵

问题解决方法 #

你遇到的报错本质是因为一维特征值向量和矩阵做*矩阵乘法时会被视为列向量，3×3的特征向量矩阵V乘3×1的λ得到3×1列向量，无法和3×3的inv(V)匹配维度。有两种常用方案实现矩阵重构： #

方案1：构造对角阵（最贴合公式逻辑）

直接用LinearAlgebra内置的Diagonal()函数把特征值向量转换为对角矩阵，完全匹配你提到的$A = V\lambda V^{-1}$公式，修正后代码如下：

using LinearAlgebra

# 创建矩阵
A = rand(3, 3)

# 特征分解
AEig = eigen(A)
λ = AEig.values
V = AEig.vectors

# 转换为对角阵后计算
Acomp = V * Diagonal(λ) * inv(V)

# 验证结果，返回true
A ≈ Acomp

方案2：高效优化写法

不需要手动计算逆矩阵，用矩阵右除运算降低计算开销，结果和方案1完全一致：

Acomp = V * (Diagonal(λ) / V)

如果追求简写不想显式构造对角阵，也可以用广播写法实现等价计算，可读性略低于显式构造对角阵：

Acomp = V * (λ .* inv(V))

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