Python中的eig（a，b）给出错误“需要1个位置参数，但给出了2个”答案

【问题标题】：eig(a,b) in Python giving error "takes 1 positional argument but 2 were given"Python中的eig（a，b）给出错误“需要1个位置参数，但给出了2个”
【发布时间】：2019-06-09 00:24:04
【问题描述】：

根据https://docs.scipy.org/doc/numpy-1.15.0/user/numpy-for-matlab-users.html，MATLAB [V,D]=eig(a,b) 的等效 numpy 表达式是V,D = np.linalg.eig(a,b)。

但是当我尝试这个时，我得到了错误：

TypeError: eig() takes 1 positional argument but 2 were given

我很困惑，文档说np.linalg.eig 可以接受两个参数？

奇怪的是，当我查看 https://docs.scipy.org/doc/numpy-1.15.1/reference/routines.linalg.html 的 linalg 文档时，在标题“矩阵特征值”下没有提到 linalg.eig 接受两个参数？

如何让eig 像在 MATLAB 中一样采用两个参数？

这适用于 MATLAB

a = diag(ones(3,1));
b = diag(2*ones(3,1));
[V,D] = eig(a,b)

输出：

V =

    0.7071         0         0
         0    0.7071         0
         0         0    0.7071


D =

    0.5000         0         0
         0    0.5000         0
         0         0    0.5000

这在 Python 中不起作用

import numpy as np

a = np.diag(np.ones(3))
b = np.diag(2*np.ones(3))

V,D = np.linalg.eig(a,b)

错误：

TypeError: eig() takes 1 positional argument but 2 were given

【问题讨论】：

我已经在文档中打开了一个拉取请求来修复这个问题，希望它会在下一个版本中得到修复。
@AndrasDeak，从 1.16 开始，它仍在文档中。我在github.com/numpy/numpy/issues/13596开了一个新问题#13596@
只是为了绕圈子，@AustinDowney，当我说“下一个版本”时，我的意思是“撰写本文时的下一个版本”。当被问到这个问题时，numpy 1.16 是全新的，并且很少重建文档（有docs.scipy.org/doc/numpy-1.16.0/user/…，但没有docs.scipy.org/doc/numpy-1.16.2/user/…）。我希望从 1.17 开始会有变化。这种变化可能被认为不够重要，不值得早点引入（我可以同意）。

标签： python matlab numpy eigenvalue eigenvector

【解决方案1】：

正如您在 numpy.linalg.eig 的文档中看到的，它只接受单个数组参数，因此它不计算广义特征值问题。

幸运的是我们有scipy.linalg.eig:

scipy.linalg.eig(a, b=None, left=False, right=True, overwrite_a=False, overwrite_b=False, check_finite=True, homogeneous_eigvals=False)

    Solve an ordinary or generalized eigenvalue problem of a square matrix.

这是您的示例：

import numpy as np 
import scipy.linalg 

a = np.diag(np.ones(3)) 
b = np.diag(2*np.ones(3)) 
eigvals,eigvects = scipy.linalg.eig(a, b)

现在我们有

>>> eigvals
array([0.5+0.j, 0.5+0.j, 0.5+0.j])

>>> eigvects
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])

特征向量的差异可能是由于对特征值的归一化选择不同。我会检查两个非平凡矩阵，看看结果是否相互对应（当然是比较相应的特征值-特征向量对）。

【讨论】：