我想比较scipy和numpy用于计算厄米特矩阵（eigvalsh）特征值的例程，并遇到一些意想不到的行为。
特别是，scipy的{{1}}例程返回与eigvalsh的{{1}}例程几乎相同的特征值，但仅适用于维度小于2000 x 2000的矩阵Spyder 2.3.7（Python 3.5）的例子：
numpy事实上，如果eigvalsh，特征值数组In [1]: import scipy
In [2]: import numpy as np
In [3]: H = np.random.rand(1999,1999) + np.random.rand(1999,1999) * 1j
...: H = H + H.conj().T
...: Es = scipy.linalg.eigvalsh(H)
...: En = np.linalg.eigvalsh(H)
...: sum(abs(En - Es))
Out[3]: 1.85734656821257e-10
In [4]: H = np.random.rand(2000,2000) + np.random.rand(2000,2000) * 1j
...: H = H + H.conj().T
...: Es = scipy.linalg.eigvalsh(H)
...: En = np.linalg.eigvalsh(H)
...: sum(abs(En - Es))
Out[4]: 89786.239714130075
只包含零，除了最后一个元素，它等于数组长度的24倍：
H.shape >= (2000,2000)这里发生了什么？
答案 0 :(得分：0)
对于*.linalg.eigvalsh例程，numpy调用LAPACK -EVD例程，这些例程基于分而治之算法。 scipy调用LAPACK -EVR，它使用不同的算法。
对于LAPACK文档，see here。这解释了你在2000年以下案例中看到的微小数字差异。
“全零”情况确实看起来像一个错误，但我无法在scipy == '0.17.1'和np == '1.11.0'上复制。升级后问题是否仍然存在？