SciPy और Numpy उन दोनों के बीच एक दिया वर्ग मैट्रिक्स के लिए eigenvectors को खोजने के लिए तीन अलग-अलग कार्यों, ये हैं:अजगर eigenvectors: numpy.linalg, scipy.linalg के बीच मतभेद और scipy.sparse.linalg
स्थिति पर विशेष रूप से ध्यान केंद्रित है कि सभी वैकल्पिक तर्क I'v ई दूर छोड़ दिया पिछले दो को उनके डिफ़ॉल्ट पर छोड़ दिया जाता है और a
/A
वास्तविक मूल्य है कि, मैं इन तीनों के बीच मतभेद जो दस्तावेज़ से अस्पष्ट हैं के बारे में उत्सुक हूँ - विशेष रूप से:
- क्यों (3) एक नोट है कि यह सभी ईजिनवेक्टर नहीं मिल सकता है?
- क्यों अन्य दो गणना सभी समाधानों की गणना करें - वे
k
तर्क क्यों नहीं लेते? - (1) में एक नोट है जिसमें कहा गया है कि eigenvalues किसी विशेष क्रम में वापस नहीं आते हैं; (3) आदेश को नियंत्रित करने के लिए एक वैकल्पिक तर्क है। क्या (2) इस बारे में कोई गारंटी है?
- क्या (3) मान लें कि
A
स्पैस है? (गणितीय रूप से बोलते हुए, एक स्पीसी स्पैस मैट्रिक्स के रूप में प्रतिनिधित्व करने के बजाए) क्या यह धारणा नहीं हो सकती है, या गलत परिणाम भी दे सकती है, अगर यह धारणा नहीं है? - क्या इनमें से कोई भी कारक चुनने पर मुझे विचार करना चाहिए?