应优先使用 numpy.linalg.eigh 求实对称矩阵特征值，因其返回实数、正交特征向量且更稳定；若用 eig，结果含微小虚部属正常现象，可取实部并验证虚部是否接近零。
用 numpy.linalg.eig 求实对称矩阵的特征值，但结果可能含虚部？
即使输入是实对称矩阵，numpy.linalg.eig 默认返回复数类型数组——因为它的通用实现不假设对称性，内部调用的是通用非对称求解器。你看到的 array([1.0+0.j, 2.0+0.j]) 是正常现象，不是错误。
实操建议：
- 若确认矩阵对称（或厄米），优先改用
numpy.linalg.eigh：它专为对称/厄米矩阵设计，返回实数特征值，数值更稳定，速度也更快 - 若必须用
eig，可手动取实部：np.real(eigvals)，但需先验证虚部是否全接近零（如np.allclose(np.imag(eigvals), 0)） - 注意：
eigh对输入不做对称性检查，传入非对称矩阵会导致结果无意义
numpy.linalg.eig 返回的特征向量为什么“看起来不正交”？
对非对称矩阵，特征向量本就不保证正交；即使对实对称矩阵，eig 也不强制正交化，而 eigh 返回的特征向量是标准正交的（列向量满足 V.T @ V == I）。
常见错误现象：用 eig 算对称矩阵后，发现 V.T @ V 不是单位阵，误以为计算出错。
使用场景判断：
- 需要正交特征向量 → 必须用
eigh，且输入确保对称（可用A = (A + A.T) / 2强制对称） - 处理一般方阵（如转移矩阵、雅可比矩阵）→ 用
eig，接受非正交结果 - 验证正交性时，别直接用
==比较浮点矩阵，改用np.allclose(V.T @ V, np.eye(n))
大规模稀疏矩阵用 numpy.linalg.eig 崩溃或极慢？
numpy.linalg 全部基于密集矩阵算法，时间复杂度 O(n³)，内存占用 O(n²)。对 n > 5000 的矩阵，基本不可行；若矩阵实际稀疏（如邻接矩阵），硬转成 ndarray 会吃光内存。
性能与兼容性影响：
- 替代方案：用
scipy.sparse.linalg.eigs（求部分特征值）或scipy.sparse.linalg.eigsh（对称/厄米稀疏矩阵） - 注意接口差异：
eigs默认只返回前 6 个模最大的特征值，需显式指定k=和which=（如which='LM'或'SM'） - 输入必须是
scipy.sparse格式（如csr_matrix），不能直接喂 NumPy 数组
特征值排序和重根处理：NumPy 不自动排序，也不合并重复值
eig 和 eigh 返回的特征值默认按算法内部顺序排列，不按大小、不按实部、不按模长——尤其 eigh 虽保证实数输出，但顺序仍取决于底层 LAPACK 实现。
容易踩的坑：
- 想取最大特征值？别假设索引
[0]就是最大，务必手动排序：idx = np.argsort(eigvals)[::-1]再索引 - 重根（代数重数 > 1）时，对应特征向量可能线性相关但数值上不完全一致，
eig不做正则化或正交补全；若需标准正交基，得自己用np.linalg.qr对子空间正交化 - 对称矩阵理论上有完备正交特征向量系，但有限精度下，小扰动可能导致数值秩亏损，此时
eigh仍返回 n 个向量，但最后几个可能精度极低
np.float64 已是默认，float128 支持有限）。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！
