企业官网建设流程全解析

前言

先明确一个前提：NumPy 不是 Python 标准库，它是第三方库，使用前需要pip install numpy。本机没有 Python 解释器，也没有安装 NumPy，所以本文的示例无法在本机运行验证，只能逐行人工推演；所有函数名、参数表和返回结构都以 NumPy 官方文档为准，请你以自己的环境为准。另外，NumPy 里的「矩阵」指的是二维的numpy.array对象，官方已经不再推荐使用它的numpy.matrix子类，即使在纯线性代数场景下也一样。

第二个要纠正的误解是「线性代数函数都在numpy.linalg里」。不是：矩阵乘法dot、matmul、inner、outer、kron都是顶层的numpy函数（numpy.dot、numpy.matmul），不是numpy.linalg的成员；而求解、分解、特征值、行列式、秩、条件数这些，才是numpy.linalg的强项。把这两类混为一谈，是查文档时找不到函数的主要原因。

第三个误解是「求逆就能解方程」。数学上确实可以写成x = A⁻¹b，但数值计算上不该这么做：先求逆再相乘既慢又不稳，正确做法是用numpy.linalg.solve。这一点会在第三节展开，它是本文最实用的一条。

本文按「乘法 → 解方程 → 分解 → 矩阵特征量」的顺序，讲清numpy.linalg里各个函数在做什么、什么时候用哪个。

一、dot/matmul/@三者的关系

先讲怎么乘。官方文档说得很明确：@运算符从 NumPy 1.10.0 引入，在计算二维数组之间的矩阵乘法时，它优于其他写法；numpy.matmul就是@的实现。也就是说A @ B与np.matmul(A, B)是一回事。

numpy.dot也能做矩阵乘法，但它和matmul并不是同义词，差别在高维和标量上：

所以一条实用规则是：做矩阵乘法就用@，语义最清楚，也不会在高维时踩到dot那种「按轴求和」的隐含行为。dot留给你明确需要它那套广义语义的地方。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

A = np.array([[1., 2.], [3., 4.]])
B = np.array([[5., 6.], [7., 8.]])

print(A @ B) # 矩阵乘法
print(np.matmul(A, B)) # 与上一行完全等价
print(A * B) # 逐元素相乘，不是矩阵乘法

最后一行要单独强调：*是逐元素相乘（element-wise），不是矩阵乘法。把*当成矩阵乘法，是初学阶段最典型的一类 bug。

顺带说一句 Python 2 的事：Python 2.7 已于 2020 年 1 月 1 日停止维护，新版 NumPy 也早已不支持 Python 2。网上老代码里的print语句、xrange、numpy.matrix的种种写法，在 Python 3 的新版本里要么语法错误，要么已不推荐，不要照抄。

二、解线性方程组：solve与lstsq

签名是numpy.linalg.solve(a, b)，解的是a @ x = b。官方文档给出的若干约束值得逐条记下：

• 
  
• a必须是方阵且满秩（各行／各列线性无关），否则抛LinAlgError；
• 
  
• 它内部走 LAPACK 的_gesv例程；
• 
  
• 广播规则生效，a可以是「堆叠」的多个方阵——这也是 NumPy 相对 SciPy 的一个优势，numpy.linalg.solve能一次处理一批矩阵。
• 
  

还有一条版本差异要注意：从 NumPy 2.0 起，b只有恰好是一维（ndim == 1）时才被当作形状(M,)的列向量，其他情况一律按(M, K)的矩阵栈处理；在此之前的版本，若b.ndim等于a.ndim - 1就会按向量栈处理。跨版本写代码时这一点要留意。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

A = np.array([[3., 1.], [1., 2.]])
b = np.array([9., 8.])
x = np.linalg.solve(A, b)
print(x) # 方程组的解
print(np.allclose(A @ x, b)) # True，验证一下

如果a不是方阵，或者虽然是方阵但奇异（不满秩），solve会直接报错——这时候不该去凑一个逆，而应该换lstsq。

numpy.linalg.lstsq(a, b, rcond=None)求的是最小二乘解，方程可以是不定的、恰定的或超定的。如果a是方阵且满秩，返回的解在舍入误差范围内就是精确解；否则它最小化||b - a @ x||的欧氏二范数；如果存在多个最小化解，返回其中二范数最小的那个。

它的返回值是一个四元组，这一点经常被记错：

rcond是奇异值的截断比例，小于「rcond乘以最大奇异值」的奇异值在判定秩时被当作零。它的默认值在 NumPy 2.0 变了：以前默认是-1（并用一次警告提示即将改变），现在是None，表示使用「机器精度乘以max(M, N)」；显式传-1则是使用机器精度。这个改动会实实在在影响秩判定和返回的解，所以显式写上rcond=None反而更稳。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

A = np.array([[0., 1.], [1., 1.], [2., 1.]])
b = np.array([1., 2., 3.])
x, residuals, rank, s = np.linalg.lstsq(A, b, rcond=None)
print(x.shape) # (2,)
print(residuals.shape) # (1,)
print(rank) # 2

三、为什么「能用solve就不要用inv再相乘」

这是本文最值得记住的一条。

先说清楚两种写法在数学上等价：

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

A = np.array([[3., 1.], [1., 2.]])
b = np.array([9., 8.])
x1 = np.linalg.solve(A, b) # 推荐
x2 = np.linalg.inv(A) @ b # 不推荐，数值行为更差

它们的结果在理想数学世界里一样（在A可逆时），但计算机用的是有限精度浮点，两条路径的误差传播完全不同。

原因有两层。第一层是步骤：solve内部走的是分解后求解的路径（LAPACK 的_gesv会做带主元的分解再回代），一步到位；而「先inv再相乘」相当于先完整构造出A⁻¹的每一个元素，再做一次矩阵乘——显式求逆这个动作本身就会放大误差。第二层是代价：显式求逆要做一次完整的矩阵分解加一次求逆，之后还要再做一次乘法；直接解只做一次分解加一次回代。矩阵越大，差距越明显。

还有一个容易被忽略的点：如果A接近奇异，显式求逆的结果可能完全没有意义——你会得到一组看起来很正常的数字，但它们和真解差得很远，而且没有任何报错。相比之下solve对真正奇异的输入会抛LinAlgError，至少让你知道出事了。

那numpy.linalg.inv(a)什么时候用？——当你真的需要那个逆矩阵本身的时候（比如后续要反复用它做别的计算、或者要把它交给另一个库）。仅仅为了解一次方程组而求逆，是典型的用错工具。

numpy.linalg.pinv(a, rcond=..., hermitian=...)是伪逆（Moore–Penrose 广义逆），用于非方阵或奇异的矩阵。它的签名里除了rcond还有hermitian，以及较新版本加入的rtol。具体参数的默认值和版本差异请以官方文档为准，因为rcond/rtol的默认值在近几个版本调整过。

四、分解与特征值：det/eig/svd/qr

这一组是「把矩阵拆开」的工具：

几个容易记错的地方：

svd返回的第三个是Vh，不是V。它已经转置（准确说是共轭转置）过了，所以重构矩阵时应写U @ np.diag(S) @ Vh，而不是再对Vh取转置。这一条错了通常不会报错，只会得到一个形状对不上的结果或错误的重构。

full_matrices决定U和Vh的形状。默认True时返回完整的方阵；设成False时返回「经济型」分解，U为(M, K)、Vh为(K, N)，其中K = min(M, N)。大矩阵上通常用False省内存。

eig与eigh不能混用。一般矩阵用eig；实对称或复厄米矩阵用eigh，后者会利用对称性、更快也更稳，并且返回的特征值默认是升序的。eigh还有UPLO参数决定读下三角（'L'，默认）还是上三角（'U'）——只读一半意味着另一半被当成镜像，输入不对称时结果会出乎意料。

特征值的顺序不保证。eig返回的特征值没有规定顺序，不要假设「第一个是最大的」。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

A = np.array([[0., 1.], [1., 1.], [2., 1.]])

U, S, Vh = np.linalg.svd(A, full_matrices=False)
print(U.shape, S.shape, Vh.shape) # (3, 2) (2,) (2,)

Q, R = np.linalg.qr(A)
print(Q.shape, R.shape) # (3, 2) (2,)

D = np.array([[2., 0.], [0., 3.]])
w, v = np.linalg.eig(D)
print(sorted(w)) # 特征值为 2 和 3，顺序不保证，所以先排序

五、矩阵秩与条件数

这两个量回答了「这个方程组好不好解」的问题，做数值计算时经常要先用它们探路。

numpy.linalg.matrix_rank(A[, tol, hermitian, rtol])用 SVD 求秩。为什么不用「数非零奇异值」这种朴素办法？因为浮点误差会让本该为零的奇异值变成1e-16这种小量，必须有一个容差。tol就是这个阈值，不传时由最大奇异值和矩阵维度推算得出。

numpy.linalg.cond(x[, p])求条件数。它衡量的是「输入的微小扰动会被放大多少倍」：条件数大，说明矩阵接近奇异，解对输入极其敏感——b上一点点测量误差，可能让x面目全非。看到大的条件数，就该对结果保持怀疑，而不是照单全收。

# 适用于 Python 3.8+ 且已安装 NumPy（以官方文档为准）
import numpy as np

A = np.array([[1., 2.], [2., 4.]]) # 两行线性相关，矩阵奇异
print(np.linalg.matrix_rank(A)) # 1
print(np.linalg.cond(A)) # 很大的数（1 除以 0 的极限情形是 inf）

顺便区分一下范数：numpy.linalg.norm(x[, ord, axis, keepdims])同时管向量范数和矩阵范数，靠ord和axis决定语义。如果你只想明确地要向量范数或矩阵范数，官方提供了numpy.linalg.vector_norm和numpy.linalg.matrix_norm这两个更专一的函数，语义比norm少一层歧义。

常见坑点

1. 
   
2. ❌ 用np.linalg.inv(A) @ b解方程组，认为它和solve等价。
3. 
   

✅ 直接np.linalg.solve(A, b)；显式求逆会放大误差、代价更高，且接近奇异时得到的错误结果不会报错。

1. 
   
2. ❌ 把A * B当成矩阵乘法。
3. 
   

✅*是逐元素相乘；矩阵乘法用@或np.matmul。

1. 
   
2. ❌ 认为numpy.dot和numpy.matmul完全等价，在高维数组上随便换着用。
3. 
   

✅ 二维时结果相同，高维时dot按轴求和、matmul按矩阵栈广播；做矩阵乘法优先用@。

1. 
   
2. ❌ 调用np.linalg.lstsq只接一个返回值。
3. 
   

✅ 它返回(x, residuals, rank, s)四元组；residuals在b为一维时形状是(1,)，秩不足时是空数组。

1. 
   
2. ❌ 以为lstsq的rcond默认值永远是-1。
3. 
   

✅ 从 NumPy 2.0 起默认是None（用机器精度乘以max(M, N)），显式传-1才是机器精度；跨版本时显式写出更稳。

1. 
   
2. ❌ 用svd返回的Vh时再对它取一次转置。
3. 
   

✅ 第三个返回值已经是共轭转置后的Vh，重构应写U @ np.diag(S) @ Vh。

1. 
   
2. ❌ 对实对称矩阵用np.linalg.eig，并假设特征值按升序排列。
3. 
   

✅ 对称／厄米矩阵用eigh；且无论用哪个，都不要假设特征值的顺序。

1. 
   
2. ❌ 看到solve报了LinAlgError就去求伪逆硬算。
3. 
   

✅ 报错说明a奇异或非方阵，先检查矩阵秩与条件数；确实需要最小二乘解时用lstsq。

总结

把numpy.linalg用对，核心不在于记住多少个函数名，而在于两件事：分清哪些是顶层的numpy函数、哪些属于numpy.linalg；以及在数值路径上选对工具——解方程用solve、对称矩阵用eigh、可解性先看秩与条件数。做到这两点，绝大多数「结果莫名其妙」的线性代数问题都会消失。

参考：numpy.linalg、numpy.matmul、numpy.linalg.solve、numpy.linalg.lstsq等的签名与版本说明以 NumPy 官方文档为准；NumPy 为第三方库，需pip install numpy；本文代码未在本机运行，仅作人工推演。