np.linalg.eig 返回的特征向量是列向量，即 v[:, i] 对应第 i 个特征值 w[i]，但 print(v) 屏幕显示按行展示，易误读为“每行一个向量”；实际布局符合线性代数惯例，验证方式为检查 a @ v[:, 0] ≈ w[0] * v[:, 0]。
为什么 linalg.eig 返回的特征向量是列向量，但结果却是按行排列的？
因为 np.linalg.eig 默认把每个特征向量作为返回矩阵 v 的一列，但初学者常误以为“第 i 行对应第 i 个特征向量”。实际是：v[:, i] 才是与 w[i]（第 i 个特征值）对应的特征向量。这个布局和线性代数教材一致，但和 print(v) 的屏幕显示方向冲突，容易看错。
- 验证方式：手动计算
A @ v[:, 0]和w[0] * v[:, 0]，二者应近似相等 - 若需转为“每行一个向量”，可用
v.T，但别因此改变后续计算逻辑 - 非对称矩阵的特征向量不正交，
v.T @ v不是单位阵——这是正常现象，不是 bug
遇到 “Eigenvalues are complex” 但输入是实数矩阵，怎么办？
只要矩阵不对称，linalg.eig 就可能返回复数特征值和特征向量，哪怕输入全是实数。这不是错误，而是数学本质：实矩阵的特征多项式根可以成对共轭出现。
- 检查矩阵是否对称：用
np.allclose(A, A.T)；若为False，复数结果完全合理 - 若业务上只接受实数解（如某些物理建模），应改用
np.linalg.eigh——但它**仅适用于实对称或复共轭对称（Hermitian）矩阵** - 提取实部/虚部要谨慎：
np.real(w)可取实部，但丢弃虚部可能掩盖数值不稳定问题
linalg.eig 和 linalg.eigh 能不能混用？
不能直接互换。二者算法、假设、精度和适用范围都不同：eig 是通用 QR 算法，eigh 利用对称性改用更稳定的分治法，且保证特征值为实数、特征向量正交。
- 对称矩阵强行用
eig：结果正确，但速度慢约 2–3 倍，且特征向量可能因数值误差轻微失格（如v.T @ v对角线外有 1e-15 量级残差） - 非对称矩阵误用
eigh：不报错，但会静默将输入当作 Hermitian 处理（即取(A + A.T)/2），结果完全不可信 - 安全做法：先用
np.allclose(A, A.T, atol=1e-10)判断，再选函数
小矩阵（比如 3×3）用 eig 还是手算解析解更可靠？
一律用 np.linalg.eig。手工推导三次方程根易出符号/精度错误，而 NumPy 底层调用的是经过数十年验证的 LAPACK dgeev 实现，对小规模问题反而更鲁棒。
- 例如
[[0,1,0],[0,0,1],[-6,-11,-6]]（对应特征多项式 λ³+6λ²+11λ+6）的手动求根容易漏掉重根或符号错位 -
eig自动处理重特征值场景，返回的特征向量即使线性相关也满足A @ v ≈ w * v - 唯一要注意的是：浮点误差下，理论重根可能显示为两个极接近的值（如 -2.0000001 和 -1.9999999），需结合
np.isclose合并判断
实际中，最常被忽略的是特征向量的归一化状态：NumPy 不保证 v[:, i] 是单位向量（虽然通常接近），若后续要用它做投影或构建正交基，务必显式调用 v[:, i] /= np.linalg.norm(v[:, i])。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
