Python计算的矩阵的特征向量似乎不是特征向量

Question

提前道歉，Python不是我的强项。

对应于此矩阵的真实特征值的特征向量(由Python计算)似乎不是特征向量，而由Wolfram Alpha计算的特征向量似乎是有效的。(我的同事证实，在R中执行计算时，似乎也存在相同的病理情况，尽管我没有成绩单。)代码片段：

>>> import numpy as np
>>> in_matrix = np.array([[0.904, 0.012, 0.427], [-0.0032, 0.99975, -0.02207], [-0.4271, 0.0186, 0.904]])
>>> evals, evecs = np.linalg.eig(in_matrix)
>>> print evals
[ 0.90388357+0.42760138j  0.90388357-0.42760138j  0.99998285+0.j]
>>> print evecs[2]
[ 0.70696571+0.j  0.70696571-0.j  0.01741090+0.j]
>>> print in_matrix.dot(evecs[2])
[ 0.65501505+0.j  0.70414242+0.j -0.27305604+0.j]

请注意，将evecs[2]乘以in_matrix变量会产生一个不是evecs[2]的新向量(特征向量应为1)。

将相同的矩阵插入Wolfram Alpha生成真实特征值的特征向量(-0.0474067, -0.998724, 0.0174109)。不出所料，将in_matrix乘以这个特征向量确实会产生相同的向量。

>>> wolfram_vec = np.array([-0.0474067, -0.998724, 0.0174109])
>>> print in_matrix.dot(wolfram_vec)
[-0.04740589 -0.99870688  0.01741059]

Wolfram (正确的)特征向量对应于负Y轴，而numpy给出(sqrt(2), sqrt(2), 0)。

结论: numpy中的特征向量不是特征向量，但Wolfram Alpha特征向量是正确的(看起来也是正确的)。有没有人能对此有所了解？

这已经在Mac OS X上的Python 2.7.10的标准安装和Centos 6.8上的Python 2.7.8的自定义安装上进行了测试。