Python解决奇异矩阵求逆问题：用pinv计算伪逆

当面对奇异或近似奇异矩阵时，NumPy 的 `np.linalg.inv()` 会因无法满足严格满秩要求而直接报错，而 `np.linalg.pinv()` 借助 SVD 自动截断微小奇异值，稳定返回 Moore-Penrose 伪逆——但它并非真正意义上的逆矩阵，不满足 $A \cdot A^{-1} = I$，而是为最小二乘、欠定/超定系统提供最优解；关键在于不能盲目依赖其默认容差（`rcond=1e-15`），而应结合奇异值谱分析、显式设置更严格的截断阈值，并根据问题本质判断：是该用 `lstsq` 诊断求解、添加正则化提升数值稳定性，还是溯源数据质量与建模合理性——真正决定成败的，从来不是换哪个函数，而是理解矩阵为何“奇异”。

NumPy 中 np.linalg.inv() 遇到奇异矩阵直接抛 LinAlgError: Singular matrix，不能用；改用 np.linalg.pinv() 计算 Moore-Penrose 伪逆是标准解法，但要注意它不等价于真逆，且默认容忍度可能掩盖数值病态问题。

为什么 np.linalg.inv() 会报错而 pinv() 不会

np.linalg.inv() 要求输入矩阵严格可逆（满秩、行列式非零），底层调用 LAPACK 的 dgetrf/dgetri，遇到秩亏立即失败。而 np.linalg.pinv() 基于 SVD 分解，自动截断小奇异值，天然支持秩亏或近似奇异矩阵。

但注意：pinv() 返回的不是数学意义上的逆——它最小化 Frobenius 范数意义下的残差，适用于最小二乘、欠定/超定系统，**不能代入 A @ inv(A) == I 验证**。

• 若矩阵本应满秩但因浮点误差被判定为奇异，优先检查数据缩放和条件数（np.linalg.cond(A)）
• pinv() 默认用 rcond=1e-15 作为奇异值截断阈值，对病态矩阵可能过于宽松
• SVD 开销比 LU 大，pinv() 比 inv() 慢一个数量级以上，别在热循环里滥用

如何安全使用 np.linalg.pinv() 替代 inv()

核心是显式控制截断阈值 rcond，避免默认值把本该报警的病态问题悄悄“修复”。

• 先用 np.linalg.svd(A, compute_uv=False) 看奇异值分布，判断哪些值接近零
• 设 rcond = max(singular_values) * eps，其中 eps 取 1e-10～1e-12（比默认 1e-15 更严格）
• 示例：

  A = np.array([[1, 2], [2, 4.0000000001]])  # 近乎奇异
  u, s, vh = np.linalg.svd(A)
  print("singular values:", s)  # [5.0000000001, 9.99999999e-11]
  A_pinv = np.linalg.pinv(A, rcond=1e-10)

• 验证结果：用 np.allclose(A @ A_pinv @ A, A) 检查是否满足伪逆定义，而非 A @ A_pinv 是否接近单位阵

什么时候不该用 pinv() 直接替代 inv()

伪逆不是万能补丁。以下场景换思路更稳妥：

• 求解线性方程组 A @ x == b：优先用 np.linalg.lstsq(A, b)，它内部也用 SVD 但返回残差等诊断信息
• 矩阵来自物理建模且理论上必须可逆：报错反而是好事，说明模型参数或数据有问题，该查条件数、正则化或重采样
• 需要高精度逆运算（如协方差矩阵更新）：考虑添加小量正则项，np.linalg.inv(A + 1e-8 * np.eye(len(A)))，比 pinv() 更可控
• 稀疏矩阵：用 scipy.sparse.linalg.lsqr() 或 spilu()，pinv() 会稠密化并爆内存

真正难的不是调用 pinv()，而是判断“这个矩阵到底该不该被当成奇异处理”——看奇异值谱、结合问题背景、检查原始数据质量，比换函数更重要。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《Python解决奇异矩阵求逆问题：用pinv计算伪逆》文章吧，也可关注golang学习网公众号了解相关技术文章。