RuntimeWarning:k>=N-1forN*N square matrix.Attempting to use scipy.linalg.eig instead.eigvals,eigvecs=eigs(L,k=k_actual,which="SR",maxiter=1000)处理办法
- 别管它
- 虽然SciPy自动帮你处理了(Fallback)，但是依赖Warning不是编程糕手，而且会拖慢运行速度。可以显示的告诉编译器：如果是小图，直接用全量计算；如果是大图，采用稀疏计算。具体操作因人而异，如果读者有需要可以参考我的例子。
下面这行代码是我的警告点：
# 只有简单的 min 截断，仍然可能触发 k >= N-1 的边界条件k_actual=min(self.k,N-1)eigvals,eigvecs=eigs(L,k=k_actual,which="SR",maxiter=1000)- L 是13×1313 \times 1313×13的矩阵。
k_actual如果设为 12 或更大，eigs这个函数内部调用的底层库（ARPACK）就会抗议。因为它设计初衷是处理10000×1000010000 \times 1000010000×10000的大矩阵并取前几个特征值，而不是处理“袖珍”矩阵。
核心思路是给代码加一个分流判断：
如果 (节点数 < 20): 用np.linalg.eigh(直接量身高，算得又准又快) 否则: 用eigs(人多了，再用统计抽样法)
N=L.shape[0]# N=13ifN<20:# 针对小图的优化：直接全量计算，不会报警告# eigh 专门用于对称矩阵，非常稳eigvals,eigvecs=np.linalg.eigh(L)# 即使算出了13个，只取模型需要的 k 个k_target=min(self.k,N)eigvals=eigvals[:k_target]eigvecs=eigvecs[:,:k_target]else:# 针对大图的逻辑：保持原有的稀疏计算k_sparse=min(self.k,N-2)eigvals,eigvecs=eigs(L,k=k_sparse,which="SR")其他知识
这是一个非常典型的数学库使用警告，出现在处理小规模图数据的谱图卷积Spectral GCN任务中。
警告的字面意思
- N: 矩阵的维度。
- k: 你请求计算的特征值/特征向量的数量。
- 含义: 对于一个13×1313 \times 1313×13的矩阵，试图计算121212个甚至更多的特征值。
Attempting to use scipy.linalg.eig instead. - SciPy 的反应: “因为你请求的kkk太接近NNN了，稀疏迭代算法（ARPACK）无法收敛或不适用。为了不报错崩溃，我自动帮你切换到了密集矩阵求解器（Dense Solver）来算出结果。”
深度原因：
为什么会这样？为了理解这个警告，需要了解两种特征值求解器的区别：
A. 稀疏求解器 (scipy.sparse.linalg.eigs)
- 原理: 使用 Lanczos 或 Arnoldi 迭代算法。
- 适用场景: 巨大的矩阵（例如10,000×10,00010,000 \times 10,00010,000×10,000），但只需要前几个最重要的特征值（例如前 5 个）。
- 限制: 它需要在剩余的空间里进行正交迭代。如果kkk（请求数）接近
NNN（总数），算法就没有“剩余空间”来迭代了，数学上会变得不稳定或无法定义。因此要求k<N−1k < N-1k<N−1。
B. 密集求解器 (numpy.linalg.eigh 或 scipy.linalg.eig)
- 原理: 直接对整个矩阵进行分解（如 QR 分解）。
- 适用场景: 小矩阵（N<1000N < 1000N<1000）。
- 特点: 它一次性算出所有的特征值，速度在小矩阵上反而比稀疏求解器快得多。你的情况：你的图只有 13 个节点。
C. Example:
你有一个只有 13 个人的班级。
稀疏算法的做法: 试图通过复杂的抽样统计方法来找出“最高的 12 个人”。（由于样本太接近总体，统计方法失效）。
密集算法的做法: 直接把 13 个人叫出来量身高。（简单、直接、极快）。
