NumPy 的 numpy.roots() 并不依赖解析公式（因五次以上无通用根式解），而是将多项式求根问题转化为 companion 矩阵的特征值计算问题，再通过成熟的数值线性代数算法（如 QR 迭代）高效、稳定地求解。
numpy 的 `numpy.roots()` 并不依赖解析公式（因五次以上无通用根式解），而是将多项式求根问题转化为** companion 矩阵的特征值计算问题**，再通过成熟的数值线性代数算法（如 qr 迭代）高效、稳定地求解。
numpy.roots() 的核心思想是：任何一元 n 次多项式均可等价转化为一个 n×n 友矩阵（companion matrix）的特征值问题。该友矩阵的特征多项式恰好等于原多项式，因此其特征值即为原多项式的全部复数根（含重根与共轭对）。
例如，对五次多项式
$$
p(x) = x^5 - 7x^4 + 15x^3 - 5x^2 - 16x + 12
$$
其标准友矩阵（首一多项式、降幂排列）定义为：
$$ C = \begin{bmatrix} 0 & 0 & 0 & 0 & -12 \ 1 & 0 & 0 & 0 & 16 \ 0 & 1 & 0 & 0 & 5 \ 0 & 0 & 1 & 0 & -15 \ 0 & 0 & 0 & 1 & 7 \ \end{bmatrix} $$
注意：NumPy 实际采用的是“上移型”友矩阵（第一行为系数的负值，其余为移位单位元），对应 np.roots([1,-7,15,-5,-16,12]) 的输入顺序（从最高次到常数项）。
import numpy as np
# 系数按降幂排列：x^5 -7x^4 +15x^3 -5x^2 -16x +12
coeffs = [1, -7, 15, -5, -16, 12]
roots_np = np.roots(coeffs)
print("NumPy roots:", np.round(roots_np, 8))
# 输出接近 [-1., 1., 2., 2., 3.]（含重根）关键在于：特征值计算本身不依赖求解高次方程。NumPy（底层调用 LAPACK）使用高度优化的 QR 迭代算法（带位移的隐式 QR）来计算矩阵特征值。该算法通过反复进行正交相似变换（$A_{k+1} = R_k Q_k$，其中 $A_k = Q_k R_k$），使矩阵逐步收敛至拟上三角（Schur 形式），对角块直接给出实特征值或共轭复特征值对。
⚠️ 注意事项：
-
roots()返回的是浮点近似解，受舍入误差影响，重根可能表现为极接近的数值（如1.99999992和2.00000008），需结合容差判断（如np.isclose()）； - 对病态多项式（如 Wilkinson 多项式），即使系数微小扰动也会导致根剧烈偏移，此时建议改用符号计算（如 SymPy）或更高精度库；
- 该方法时间复杂度为 $O(n^3)$，适用于中等规模（$n \lesssim 1000$）；超大规模建议考虑稀疏结构或专用根求解器。
总结：numpy.roots() 是“代数问题线性化”的典范实践——它绕开了阿贝尔–鲁菲尼定理的理论限制，将不可解的解析难题，转化为成熟、鲁棒、可扩展的数值线性代数问题，体现了科学计算中“转化思维”的强大威力。
