特征值计算器

Q: PCA 降维和特征值什么关系？

对数据的协方差矩阵（对称矩阵）求特征值：最大特征值对应的特征向量是数据方差最大的方向（第一主成分），第二大对应第二主成分，依此类推。把 100 维数据投影到前 5 个主成分上，可能保留 95% 的信息量——特征值从大到小排列就是"信息含量排行榜"，砍掉小特征值维度就是降维。

Q: 为什么 PageRank 是特征值问题？

网页间的链接关系构成转移矩阵 P，"长期冲浪者停在各页面的概率分布"v 满足 vP = v——即 v 是特征值 1 对应的特征向量。PageRank 的本质就是求这个主特征向量：被高质量页面链接越多的页面特征向量分量越大、排名越靠前。千亿级矩阵的特征向量用幂迭代法（反复乘 P）收敛求解。

Q: 3×3 以上矩阵怎么求特征值？

没有通用求根公式（五次以上方程无根式解，阿贝尔-鲁菲尼定理），工程上全用迭代法：QR 算法（反复 QR 分解再反乘，矩阵逐渐收敛到上三角，对角线即特征值）是通用首选；对称矩阵用雅可比法或分治法；超大稀疏矩阵用 Lanczos。numpy 一行 eig() 背后是几十年数值线性代数的积累。

Q: 特征向量能任意缩放吗？

能。特征向量若乘任意非零常数，Av = λv 依然成立——特征值问题锁定的是「方向」而非「长度」，所以报告特征向量时通常归一化为单位向量。

Q: 实对称矩阵有什么特殊性质？

特征值必为实数，且不同特征值的特征向量两两正交，必可正交对角化。协方差矩阵、刚度矩阵都是实对称阵，这是 PCA 与振动分析好用的理论根基。

Q: 对角矩阵的特征值是什么？

就是对角线上的元素，特征向量是各坐标轴方向。对角化 A = PDP⁻¹ 的意义正是「换一组特征基，让矩阵变成最省心的对角形」。

Q: det(A−λI) = 0 为什么叫特征方程？

方程 Av = λv 移项得 (A−λI)v = 0，要有非零解 v，矩阵 A−λI 必须奇异，即行列式为零——特征值恰好是让这个条件成立的 λ。

Q: 所有矩阵都能对角化吗？

不能。可对角化当且仅当能找到 n 个线性无关的特征向量。实对称矩阵必可对角化；亏损矩阵（特征值重数多于特征方向数）只能约当化。

Q: 特征值和奇异值有什么区别？

特征值针对方阵、描述「自身方向上的缩放」；奇异值对任意矩阵、恒为非负实数、描述「主轴上的实际拉伸」。非方阵或求稳健分解时用奇异值分解 SVD。

Q: PageRank 为什么取特征值 1 的特征向量？

随机冲浪模型中，长期访问概率分布 p 满足 Mp = p——稳态分布正是转移矩阵属于特征值 1 的特征向量。最大特征值为 1 由随机矩阵性质保证。

什么是特征值计算器？

特征值 λ 与特征向量 v 满足 Av = λv：矩阵作用在这个特殊方向上只伸缩不旋转，λ 就是伸缩倍数。求法：特征方程 det(A − λI) = 0。2×2 矩阵 [[a,b],[c,d]] 的特征方程是 λ² − (a+d)λ + (ad−bc) = 0——系数恰好是迹（对角线和）与行列式，解一元二次方程即得两个特征值。

实例 [[2,1],[1,2]]：迹 = 4、det = 3，特征方程 λ² − 4λ + 3 = 0，λ₁ = 3、λ₂ = 1。含义：该矩阵沿 (1,1) 方向拉伸 3 倍、沿 (1,−1) 方向保持不变。恒等验证：λ₁ + λ₂ = 迹 = 4，λ₁ × λ₂ = det = 3——这两条不变量是检查计算的最快方式。

特征值的江湖地位：振动系统的固有频率（桥梁共振分析）、PCA 主成分分析（最大特征值对应数据方差最大的方向，降维就是保留大特征值）、Google PageRank（网页转移矩阵主特征向量即排名）、量子力学（观测值是算符的特征值）。一个矩阵的全部"性格"，基本写在它的特征值谱里。

特征值回答的是一个几何问题：线性变换下，哪些方向「岿然不动」？一般的向量经矩阵变换后方向会偏转，但特征向量只被原地拉伸、压缩或翻转，拉伸倍数就是特征值。找到这些「主轴」，再复杂的变换也能分解为「旋转到主轴 → 各自缩放 → 旋转回来」——这正是谱定理与 SVD 分解的思想内核。

特征值是现代科技的隐形骨架。Google 的 PageRank 把全网网页链接看成一个巨大马尔可夫矩阵，网页排名就是其主特征向量；PCA 降维保留最大特征值对应的方向，用最少维度留住最多信息；结构工程师算桥梁的固有频率、量子力学求原子的能级，解的都是特征值问题。

为什么特征值如此重要？因为它揭示了矩阵的「固有频率」。结构工程中，桥梁的自振频率就是其刚度矩阵的特征值——当外部激励的频率接近特征值时发生共振（1940 年塔科马大桥坍塌就是风致共振）。量子力学中，可观测量的特征值就是实验能测到的数值（能级、自旋等），特征函数对应量子态。

特征值的实际计算：对于 2×2 矩阵直接展开特征方程解二次方程；3×3 以上手工求解极其困难，实践中使用 QR 算法或幂迭代法。Google 的 PageRank 算法（特征向量的幂迭代收敛）和主成分分析（协方差矩阵的特征向量）都是大规模特征值计算的应用。

谱定理是特征值理论的核心：对称矩阵（实对称）的特征值全是实数，且存在一组正交的单位特征向量——这保证了协方差矩阵的 PCA 分解、图拉普拉斯矩阵的谱聚类都能得到稳定的实数值分解。工程中遇见对称矩阵即可放心使用特征分解。

det(A − λI) = 0；2×2：λ² − tr(A)λ + det(A) = 0；λ₁+λ₂ = 迹，λ₁λ₂ = 行列式

矩阵 [[2, 1], [1, 2]]：迹 = 4、行列式 = 3，特征方程 λ² − 4λ + 3 = 0，解得 λ₁ = 1、λ₂ = 3。对应特征方向 (1, −1) 上向量被原样保留，(1, 1) 方向上被拉伸 3 倍。

特征值的大小与变换行为
特征值	该特征方向上的表现	迭代系统的长期行为
λ > 1	方向不变，长度放大	发散（增长）
λ = 1	方向与长度都不变	稳定不动点
0 < λ < 1	方向不变，长度收缩	收敛到零
λ = 0	该方向被压成点	矩阵奇异，维度坍塌
λ < 0	方向翻转，按 \|λ\| 缩放	振荡（符号交替）
复数 λ	平面内旋转 + 缩放	螺旋收敛或发散

如何使用特征值计算器

1
输入 2×2 矩阵（两行，每行两个数，空格分隔）。
2
点击计算，得特征值 λ₁/λ₂、迹与行列式。

计算示例

例 1[[2, 1], [1, 2]]

λ² − 4λ + 3 = 0 → λ₁ = 3、λ₂ = 1。验证：3 + 1 = 4 = 迹，3 × 1 = 3 = det。几何上：沿 (1,1) 方向拉伸 3 倍，沿 (1,−1) 方向不变。

例 2旋转 90° 的矩阵 [[0, −1], [1, 0]]

λ² + 1 = 0 → λ = ±i——实矩阵的特征值可以是复数！几何含义直白：旋转 90° 后没有任何实方向"只伸缩不转向"，复特征值正是旋转的代数签名。

例 3斐波那契通项

递推矩阵 [[1,1],[1,0]] 的特征值为黄金比例 φ ≈ 1.618 与 −1/φ ≈ −0.618。第 n 项 ≈ φⁿ/√5——一个整数数列的增长率竟由无理数特征值主宰。

例 4PCA 主成分

身高体重数据的协方差矩阵特征值为 10.2 与 0.8，第一主成分解释了 93% 的方差——把二维数据投影到最大特征值方向，用一条轴保留几乎全部信息。

例 5振动模态

双弹簧振子系统的刚度矩阵特征值给出两个固有频率：低频对应两质量同向摆动，高频对应反向摆动。共振灾难就是外力频率撞上特征值的时刻。

注意事项

实矩阵特征值可能是共轭复数（对应旋转成分），本工具如实输出复数形式。
重根（λ₁ = λ₂）可能对应亏损矩阵（特征向量不足），对角化不一定可行。
对称矩阵（A = Aᵀ）特征值必为实数、特征向量必可正交——PCA 能成立的根本原因。
特征值的连乘积 = det、连加和 = 迹，是两条永不失效的校验恒等式。
特征值可以为复数——实矩阵的复特征值必成共轭对出现，几何上对应平面内的旋转缩放。二维旋转矩阵没有实特征值，因为平面上没有一个方向「转完还在原方向」。
n 阶矩阵恰有 n 个特征值（计重数、含复数），但特征向量可能「不够分」：亏损矩阵（如 [[1,1],[0,1]]）的两个特征值重合为 1，却只有一条特征方向，此时无法对角化。
数值计算几乎从不用特征方程求根（n≥5 无通解且病态），工业标准是 QR 迭代算法——把矩阵迭代分解为上三角乘正交阵，特征值在对角线上逐渐浮现。

常见问题