我在这里按照本书计算PageRank： http: //nlp.stanford.edu/IR-book/html/htmledition/markov-chains-1.html

我按照书中的说明构建了转换矩阵 P。然后我通过将转换矩阵 P 提高到更高的幂来计算 PageRank 分数，如书中所述。为了确保我的计算是正确的，我遵循了这个例子： http: //nlp.stanford.edu/IR-book/html/htmledition/the-pagerank-computation-1.html

转移矩阵为：

P = np.array([[1./6, 2./3, 1./6], 
              [5./12, 1./6, 5./12],
              [1./6, 2./3, 1./6]])

PageRank分数的结果如下（通过计算P^40）：

[0.28, 0.44, 0.28]

和书中一样。

但是这本书还说，可以通过计算转换矩阵 P 的主左特征向量来找到 PageRank 分数。所以我用 numpy 尝试了这个：

v, V = np.linalg.eig(P.T)
left_vec = V[:, 0].T
print left_vec

我得到了：

[-0.46829291 -0.74926865 -0.46829291]

那怎么了？！