如何在Python中对1×n矩阵（向量）执行SVD分解？

• 首先明确：numpy的np.linalg.svd支持1×n维度的矩阵运算，报错大概率是因为你传入的是一维数组（shape为(n,)），而非二维的1×n矩阵（shape为(1, n)）。Matlab会自动把一维向量视为二维矩阵，但numpy对维度的区分更严格。

• 直接执行SVD的步骤：

  1. 将一维时间序列转换为二维1×n矩阵：用reshape(1, -1)或者[np.newaxis, :]扩展维度
  2. 调用np.linalg.svd，可加上full_matrices=False参数得到紧凑的奇异值结果

示例代码：

import numpy as np

# 假设你的时间序列是一维数组
time_series = np.array([2.1, 4.3, 6.2, 8.5, 10.1])
# 转换为1×n的二维矩阵
ts_matrix = time_series.reshape(1, -1)
# 执行SVD
U, S, Vh = np.linalg.svd(ts_matrix, full_matrices=False)

# 查看奇异值（奇异值的平方就是原矩阵转置乘原矩阵的特征值）
print("奇异值：", S)

• 结果说明：
  • S是奇异值数组，长度为1（因为1×n矩阵的秩最多为1）
  • U是1×1矩阵，Vh是1×n矩阵，满足分解关系：ts_matrix = U @ np.diag(S) @ Vh

内容的提问来源于stack exchange，提问作者Gabriella V. Lara