QR分解处理秩亏矩阵线性相关行的行顺序问题及替代方案咨询

问题1：为何R的非零对角元素数量依赖矩阵行的顺序？ #

你当前的代码误用了QR分解：默认的QR分解（如NumPy实现）是针对列空间做正交化的，R矩阵的对角元反映的是列空间的秩，而非行空间的秩。当调整矩阵行顺序时，虽然矩阵的行秩、列秩都不变，但列的线性组合关系会发生变化——无主元QR分解按列的顺序依次处理，若前面的列已经覆盖了后续列的线性空间，后续列对应的R对角元会趋近于0。

更关键的是，你要判断的是行的线性相关性，应该对矩阵的转置做QR分解（行的线性无关性等价于转置后列的线性无关性），而非原矩阵。你看到的结果差异本质是用列空间的分解结果判断行秩，加上无主元QR分解的顺序依赖性，导致了错误结论。

问题2：可行的解决方案 #

要正确找到满秩行子集并追踪被移除的行，以下几种方法可靠且不受行顺序影响：

1. 转置后使用带主元的QR分解

带主元的QR分解会主动选择线性无关的列（对应原矩阵的行），结果稳定：

import numpy as np

def reduce_to_full_rank(A):
    # 转置矩阵，将行相关性问题转为列相关性问题
    A_T = A.T
    # 执行列主元QR分解，获取主元索引
    Q, R, P = np.linalg.qr(A_T, mode='complete', pivoting=True)
    # 基于对角元阈值判断矩阵秩
    rank = np.sum(np.abs(np.diag(R)) > 1e-10)
    # 主元索引的前rank个元素对应原矩阵中线性无关的行
    keep_rows = P[:rank]
    # 计算被移除的行索引
    remove_rows = np.setdiff1d(np.arange(A.shape[0]), keep_rows)
    # 返回满秩行子集和被移除行索引
    return A[keep_rows], remove_rows

2. 奇异值分解（SVD）

SVD是判断矩阵秩最稳定的方法之一，可结合主元QR分解定位线性无关行：

import numpy as np

def reduce_to_full_rank(A):
    # 执行奇异值分解
    U, S, Vh = np.linalg.svd(A, full_matrices=False)
    # 基于奇异值阈值确定秩
    rank = np.sum(S > 1e-10)
    # 通过转置矩阵的主元QR分解找到线性无关的行
    _, _, P = np.linalg.qr(A.T, pivoting=True)
    keep_rows = P[:rank]
    remove_rows = np.setdiff1d(np.arange(A.shape[0]), keep_rows)
    return A[keep_rows], remove_rows

3. 行阶梯形变换（REF）

通过高斯消元得到行阶梯形，主元所在的行即为线性无关行，需借助scipy的rref函数：

import numpy as np
from scipy.linalg import rref

def reduce_to_full_rank(A):
    # 计算行最简形，获取主元对应的行索引
    _, pivots = rref(A)
    keep_rows = pivots
    # 计算被移除的行索引
    remove_rows = np.setdiff1d(np.arange(A.shape[0]), keep_rows)
    return A[keep_rows], remove_rows

内容的提问来源于stack exchange，提问作者sbernasek