如何让scipy.linalg.eig采用加权内积对特征向量进行归一化？

好问题！scipy.linalg.eig确实没有内置支持自定义加权内积归一化的选项，但我们有两种实用的方法来实现你想要的效果——让特征向量满足$\sum_i v_i^2 w_i = 1$（其中$w$是你的权重向量）。下面分别介绍：

方法1：手动重新归一化特征向量 #

这是最直接的思路：先用scipy.linalg.eig得到标准内积归一的特征向量，再根据你的权重向量重新调整每个向量的尺度。

原理 #

假设scipy.linalg.eig返回的特征向量矩阵为vecs（每一列对应一个特征向量），对于任意一列特征向量v，它当前满足$\sum_i v_i^2 = 1$。我们需要计算它的加权范数平方：
$$\text{weighted_norm_sq} = \sum_i v_i^2 w_i$$
然后用归一化因子$\frac{1}{\sqrt{\text{weighted_norm_sq}}}$乘以原向量，就能得到满足加权内积归一化的新向量。

代码示例 #

import numpy as np
from scipy.linalg import eig

# 示例矩阵和权重向量
A = np.array([[1, 2], [3, 4]])
w = np.array([0.5, 2.0])  # 自定义权重

# 求解标准特征值问题
vals, vecs = eig(A)

# 对每个特征向量进行加权归一化
weighted_vecs = np.zeros_like(vecs)
for i in range(vecs.shape[1]):
    v = vecs[:, i]
    weighted_norm = np.sqrt(np.sum(v**2 * w))
    weighted_vecs[:, i] = v / weighted_norm

# 验证：检查每个特征向量的加权范数是否为1
for i in range(weighted_vecs.shape[1]):
    print(f"特征向量{i}的加权范数平方：{np.sum(weighted_vecs[:,i]**2 * w):.6f}")

方法2：通过矩阵相似变换求解 #

如果不想事后调整特征向量，我们可以先对原矩阵做相似变换，将加权内积归一化的需求转化为标准特征值问题，直接求解得到符合要求的特征向量。

原理 #

我们的目标是求解$A\mathbf{v} = \lambda\mathbf{v}$，同时满足$\mathbf{v}^T W \mathbf{v} = 1$（其中$W$是对角矩阵，对角元素为权重$w_i$）。

令$\mathbf{v} = W^{{-1/2}\mathbf{u}$（$W}{-1/2}$是$W$的逆平方根矩阵，即对角元素为$1/\sqrt{w_i}$的对角矩阵），代入原方程可得：
$$A W^{-1/2}\mathbf{u} = \lambda W^{-1/2}\mathbf{u}$$
两边左乘$W^{1/2}$，得到：
$$W^{1/2} A W^{-1/2}\mathbf{u} = \lambda\mathbf{u}$$

此时求解这个变换后矩阵的特征值问题，得到的$\mathbf{u}$是标准内积归一的（$\mathbf{u}^{T\mathbf{u}=1$），对应的$\mathbf{v}=W}{-1/2}\mathbf{u}$自然满足$\mathbf{v}^T W \mathbf{v} = 1$，完全符合你的需求。而且相似变换不会改变特征值，所以得到的特征值和原问题一致。

代码示例 #

import numpy as np
from scipy.linalg import eig

# 示例矩阵和权重向量
A = np.array([[1, 2], [3, 4]])
w = np.array([0.5, 2.0])

# 构造权重的平方根和逆平方根对角矩阵
sqrt_W = np.diag(np.sqrt(w))
inv_sqrt_W = np.diag(1 / np.sqrt(w))

# 构造变换后的矩阵
A_transformed = sqrt_W @ A @ inv_sqrt_W

# 求解变换后的特征值问题
vals, us = eig(A_transformed)

# 转换为加权归一的特征向量
weighted_vecs = inv_sqrt_W @ us

# 验证
for i in range(weighted_vecs.shape[1]):
    print(f"特征向量{i}的加权范数平方：{np.sum(weighted_vecs[:,i]**2 * w):.6f}")

两种方法的对比 #

• 方法1更简单直观，适合小矩阵或者只需要快速调整的场景；
• 方法2适合需要直接从求解过程得到目标向量的场景，避免事后循环处理，但需要额外的矩阵运算。

内容的提问来源于stack exchange，提问作者Rachel Garrick