我正在使用 longley 数据的特征值和向量来检测多重共线性。当我从 SPSS 计算特征值时，我发现与 R 语言不同的特征值。我不知道为什么。我计算了标准化 X 矩阵和实际 X 矩阵，但结果不匹配。

以下是 R 语言的结果

以下是SPSS的结果

可能的命令错误是什么？还指导我如何计算比例解释变化。

我尝试使用 PCA 来减少维度，我使用 jama 来帮助我使用矩阵。但是，我在用 jama 获得特征值时遇到了问题。例如我有 2 个图像尺寸 100x100，然后我创建单个矩阵 2 图像 x (100x100)。有 20.000 像素。以及如何用特征值减少？这是我的代码示例：

当我在这段代码中显示特征值时：

结果是：

nilai n PCA@c3e9e9

可以，你告诉我什么方法可以得到特征值和降维。

到目前为止，我使用 numpy.linalg.eigvals 来计算具有至少 1000 行/列的二次矩阵的特征值，并且在大多数情况下，大约五分之一的条目非零（我不知道这是否应该被视为稀疏矩阵）。我发现另一个主题表明 scipy 可能会做得更好。

但是，由于我必须计算数十万个大小不断增加的大型矩阵的特征值（可能多达 20000 行/列，是的，我需要它们的所有特征值），这总是需要很长时间。如果我能加快速度，即使只是最微小的一点，这很可能是值得的。

所以我的问题是：在不将自己限制在 python 的情况下，是否有更快的方法来计算特征值？

我正在尝试使用并行工具箱在 matlab 上计算大矩阵的特征值。我第一次尝试：

代码开始执行：

但是，几分钟后，我收到以下错误：

然后，我尝试应用我在并行工具箱中的教程视频中看到的内容：

但是经过两个小时的计算，我得到了：

我的电脑有 2 Gi 内存和 intel duoCPU (2*2Ghz)

我的问题如下： 1/看第一个错误，我想我的内存不足以解决这个问题。有没有办法可以划分输入数据，以便我的计算机可以处理这个矩阵？2/为什么我的第二个结果是空的？（经过2小时的计算......）

编辑：@pm89

你是对的，执行过程中发生了错误：

我正在编写一些 Java 软件，它需要计算正定对称稀疏矩阵的特征值和特征向量。我不需要所有的特征值，但我最感兴趣的是小的。问题是：

1）出于测试目的，我的代码需要在笔记本电脑上运行（四核，4 GB RAM）

2）测试数据涉及大矩阵——一般超过10000乘10000

这两个限制意味着大多数常用的 Java 矩阵包都不足以满足我当前的需求——我什至无法在内存中存储密集的 10000 x 10000 矩阵，更不用说用它们进行计算了。

所以我的问题是：人们在进行矩阵计算时如何解决内存限制？我的矩阵通常非常稀疏 - 通常低于 5% 的条目是非零的。有没有利用这一点的算法？我可以以某种方式将矩阵存储在我的硬盘驱动器上，并且一次只加载它的一部分以减少我的 RAM 上的压力吗？

我正在编写一个必须计算大量特征值问题的代码（典型的矩阵维度是几百个）。我想知道是否可以通过使用IPython.parallelmodule. 作为前 MATLAB 用户和 Python 新手，我一直在寻找类似于 MATLAB 的parfor...

在网上的一些教程之后，我编写了一个简单的代码来检查它是否可以加快计算速度，我发现它并没有而且实际上通常会减慢它的速度（视情况而定）。我认为，我可能遗漏了一点，并且可能scipy.linalg.eig以这样一种方式实现，即它使用所有可用的内核并通过尝试并行化它来中断引擎管理。

这是“并行”代码：

非并行变体：

两者的 CPU 时间差异非常微妙。如果在特征值问题之上，并行化函数必须进行更多矩阵运算，它开始永远持续下去，即至少比非并行化变体长 5 倍。

我对特征值问题并不真正适合这种并行化是对的，还是我错过了重点？

非常感谢！

2013 年 7 月 29 日编辑；英国夏令时 12:20

按照 moarningsun 的建议，我尝试在eig使用mkl.set_num_threads. 对于 500×500 矩阵，最少 50 次重复设置如下：

除了一个线程情况之外，没有实质性差异（也许 50 个样本有点小......）。我仍然认为我没有抓住重点，可以做很多事情来提高性能，但不确定如何做。这些是在启用了超线程的 4 核机器上运行的，提供 4 个虚拟内核。

感谢您的任何意见！

我正忙于研究点云简化算法。

下面是计算点邻域的法线的代码。我使用了主成分分析。

我想知道我是否正确计算了点的法线和曲率？

我知道法线是无方向的，我的下一步是使用网络 x 创建一个图（从每个点到最近的邻居的边），用 1-|ni*ni+1| 对每条边进行加权 . 然后创建一个最小生成树，然后通过从最高 z 值点开始并在 ni*ni+1=-1 时翻转 ni+1 的方向来启动深度搜索。我将使用 networkx ，这样我就可以实现全球一致的方向。这是最好的方法吗？

谢谢

我试图找到以下矩阵的特征值/向量：

使用代码：

我得到这个答案：

但是，我相信以下应该是答案。

也就是说，特征值-特征向量问题表明以下应该成立：

我有一个相关矩阵：

我尝试做特征值分解：

或者

在这两种情况下，我都会收到错误：

我究竟做错了什么？

我一直在尝试提出一种并行特征值分解的算法，但是我尝试的算法中没有一个可以击败 matlab 的 eig 算法，那么有谁知道 matlab 使用哪种算法来处理 eig 函数？或者有人可以建议我一个很好的特征值分解并行算法吗？