如何在Python中求解含对角矩阵的特征方程的特征值

嘿，这个问题其实可以通过数学转化或者符号计算来解决，不用自己从零实现复杂的行列式求解和多项式根计算。我分两种常见情况给你讲清楚：

情况1：对角矩阵D可逆（对角元素无0） #

当D可逆时，我们可以把原方程转化为常规的特征值问题：

|A - λD| = 0
两边同时左乘D⁻¹，得到 |D⁻¹A - λI| = 0

这就意味着原方程的特征值就是矩阵D⁻¹A的特征值，直接用numpy的线性代数工具就能搞定。

Python代码示例（numpy） #

import numpy as np

# 定义矩阵A和对角矩阵D
A = np.array([[2, 1], [1, 2]])
D = np.array([[3, 0], [0, 4]])  # 可逆对角矩阵，对角元素无0

# 计算D的逆（对角矩阵的逆就是对角元素取倒数）
D_inv = np.diag(1 / np.diag(D))

# 计算D^{-1}A
M = D_inv @ A

# 求解特征值
eigenvalues = np.linalg.eigvals(M)
print("特征值：", eigenvalues)

情况2：对角矩阵D不可逆（对角元素含0） #

如果D有0元素，没法直接求逆，这时候可以用符号计算工具sympy来构造特征多项式，然后求根。

Python代码示例（sympy） #

import sympy as sp

# 定义符号λ
lambda_sym = sp.symbols('λ')

# 定义矩阵A和对角矩阵D（这里D有一个0元素）
A = sp.Matrix([[2, 1], [1, 2]])
D = sp.Matrix([[3, 0], [0, 0]])

# 构造矩阵A - λ*D
matrix = A - lambda_sym * D

# 计算行列式（特征多项式）
char_poly = matrix.det()

# 求解特征方程char_poly = 0
eigenvalues = sp.solve(char_poly, lambda_sym)
print("特征值：", eigenvalues)

补充说明 #

• 如果你的矩阵是数值型且规模较大，优先用numpy的方法（情况1），效率更高；
• 如果需要精确的符号解或者D不可逆，用sympy的符号计算更合适；
• 要是D是稀疏对角矩阵，也可以用scipy的稀疏矩阵工具来优化计算，避免不必要的内存开销。

内容的提问来源于stack exchange，提问作者Juan Manuel J