利用numpy库编写两个函数，分别实现特征分解和奇异值分解。具体要求如下： （1）输入为一个矩阵(ndarray格式)，输出为分解后的2个（特征分解）或3个（SVD）矩阵。

以下是特征分解和奇异值分解的Python代码实现，使用了NumPy库：

import numpy as np

def eig_decomposition(matrix):
    """
    实现矩阵的特征分解，返回特征值和特征向量组成的元组

    参数：
    matrix: numpy.ndarray
        一个n x n的矩阵

    返回值：
    Tuple(numpy.ndarray, numpy.ndarray)
        一个元组，包含特征值和特征向量
    """
    eigenvalues, eigenvectors = np.linalg.eig(matrix)
    return eigenvalues, eigenvectors

def svd_decomposition(matrix):
    """
    实现矩阵的奇异值分解，返回左、右奇异向量和奇异值组成的元组

    参数：
    matrix: numpy.ndarray
        一个m x n的矩阵

    返回值：
    Tuple(numpy.ndarray, numpy.ndarray, numpy.ndarray)
        一个元组，包含左奇异向量、奇异值和右奇异向量
    """
    u, s, vh = np.linalg.svd(matrix)
    return u, s, vh

以上两个函数分别实现了矩阵的特征分解和奇异值分解。它们的参数都是一个NumPy数组，表示要分解的矩阵。特征分解函数返回一个元组，包含特征值和特征向量；奇异值分解函数返回一个元组，包含左奇异向量、奇异值和右奇异向量。

这些函数可以通过以下方式调用：

# 随机生成一个3 x 3的矩阵
matrix = np.random.rand(3, 3)

# 进行特征分解
eigenvalues, eigenvectors = eig_decomposition(matrix)

# 进行奇异值分解
u, s, vh = svd_decomposition(matrix)

注意，这些函数的返回值是NumPy数组，因此可以像普通数组一样使用它们。例如，要访问特征向量的第一个向量，可以使用以下代码：

first_eigenvector = eigenvectors[:, 0]

同样地，要访问奇异值的第一个值，可以使用以下代码：

first_singular_value = s[0]