**如果你的矩阵是稀疏的，然后使用从构造函数实例化矩阵 scipy.sparse 然后使用类似的特征向量/特征值算法 spicy.sparse.linalg 。从性能的角度来看，这具有两个优点：
您的矩阵是由Spicer.sparse构造函数构建的，它与稀疏度的比例将变小。
稀疏矩阵（ eigs ， eigsh ）的特征值/特征向量方法接受一个可选参数 k ， k 是要返回的特征向量/特征值对的数量。几乎总是需要大于99％的方差的数目远远小于可以 事后 验证的列数；换句话说，您可以告诉方法不要计算并返回所有特征向量/特征值对-除了考虑方差所需的（通常）小的子集之外，您不太可能需要其余部分。
scipy.linalg ，而不是 与NumPy 的同名库。这两个库具有相同的名称，并使用相同的方法名称。然而，性能却有所不同。这种差异是由以下事实造成的： numpy.linalg 是类似LAPACK例程的 不太 忠实的包装器，后者牺牲了一些性能以实现可移植性和便利性（即，遵守 NumPy 设计目标，即整个 NumPy 库应在没有Fortran的情况下构建）编译器）。 linalg 在 SciPy的 ，另一方面是LAPACK和用途更加完整包装 f2py 。
; 换句话说，不要使用功能做超出您需要的事情。在 scipy.linalg中 ，有几个函数可以计算特征值。差异并不大，尽管通过仔细选择函数来计算特征值，您应该会看到性能提升。例如：
这些功能是否适用于大型矩阵？
我应该是这样 这些是工业强度矩阵分解方法，仅是类似Fortran 例程的薄包装。
我使用linalg库中的大多数方法来分解矩阵，其中的列数通常在5到50之间，并且行数通常超过500,000。无论是 SVD 也不是 特征值 的方法似乎有这种规模的任何问题的处理矩阵。
使用 SciPy 库 linalg， 您可以使用该库中的 ， 和 的几种方法之一，通过一次调用来计算特征向量和特征值。
>>> import numpy as NP
>>> from scipy import linalg as LA
>>> A = NP.random.randint(0, 10, 25).reshape(5, 5)
>>> A
array([[9, 5, 4, 3, 7],
[3, 3, 2, 9, 7],
[6, 5, 3, 4, 0],
[7, 3, 5, 5, 5],
[2, 5, 4, 7, 8]])
>>> e_vals, e_vecs = LA.eig(A)
602392714
清零编程群