我正在使用python的scikits.sparse.cholmod来得到一个对称矩阵的cholesky分解。

我将cholesky()的结果与Matlab的chol()进行了比较。在某些行和列互换的情况下，结果存在差异。我试图通过因子分解迭代得到特征值，这个差异似乎是有问题的。

下面是我的代码:

import numpy as np
from scipy.sparse import csr_matrix
from scipy.sparse import csc_matrix
from scikits.sparse.cholmod import cholesky

A = csr_matrix([[1,2,0,0], [0,0,3, 0], [4,0,5, 0], [0, 0, 1, 2]])
B = (A*A.T)
print "B: "
print B.todense()

for i in range(10):
    factor = cholesky(B.tocsc())
    l = factor.L()  #l is lower triangular
    B = (l.T*l)
    print l.todense()

而第一次迭代的下三角矩阵为:

[[ 2.23606798  0.         0.          0.        ]
[ 0.          3.          0.          0.        ]
[ 0.          1.          2.          0.        ]
[ 1.78885438  5.          0.          3.57770876]]

而MATLAB的下三角矩阵为:

[2.2361        0         0         0
     0    3.0000         0         0
1.7889    5.0000    3.5777         0
     0    1.0000         0    2.0000]

matlab的结果是合理的，因为它导致正确的特征值。我在Python中选择稀疏矩阵的类型是不是做错了什么？