我遇到的问题与this question相同。
但是，我相信上述问题的答案并不适用于我的情况。

matrix = np.array([[10,3,1],[3,2,1],[1,1,1]])
    eigenvalues, eigenvectors =np.linalg.eigh(matrix) # using eigh because matrix is symmetric matrix
    print([np.dot((matrix@eigenvectors[i])/np.linalg.norm(matrix@eigenvectors[i]),eigenvectors[i]/np.linalg.norm(eigenvectors[i])) for i in range(matrix.shape[0])])

如果我是正确的，上面的代码应该返回1，等于矩阵的大小。当然，我假设由于错误，它不会正好是1，但它仍然应该接近1。
但是，上面的代码返回以下值：

[0.7721913042777805, 0.5341128829187937, 0.9019035049538643]

这个答案是不是太差了？
顺便说一下，如果我们在Wolfram Alpha中计算这个矩阵的特征向量，我得到：

[[ 0.12586458 -0.32039088 -0.93888646]]
 [-0.65562141 0.68341326 -0.32110261]
 [ [ 0.74452581 0.65596951 -0.1240376 ]]

将其代入特征向量并以相同的方式执行以下代码，

print([np.dot((matrix@eigenvectors[i])/np.linalg.norm(matrix@eigenvectors[i]),eigenvectors[i]/np.linalg.norm(eigenvectors[i])) for i in range(matrix.shape[0])])

获得以下结果：

[0.9999999999999705, 0.9999999999834726, 0.9999999999737305]