非方阵QR分解中Q与R的维度标准及选型考量

对于m×n非方阵的QR分解，两种形式都是合法的，核心区别在于是否保留完整的正交基：

两种分解形式的定义 #

• 全QR分解（Full QR）：Q是m×m正交方阵（所有列向量标准正交，满足$Q^TQ=I_m$），R是m×n上三角矩阵，当m>n时，R的后m-n行元素全为0。
• 精简QR分解（Reduced QR）：Q是m×n列正交矩阵（仅列向量两两正交，满足$Q^TQ=I_n$），R是n×n上三角方阵。

行业惯例与标准 #

目前没有强制统一的标准，两种形式在不同工具和库中都有应用：

• MATLAB默认qr(A)返回全QR形式，通过qr(A,'economy')切换到精简形式；
• LAPACK等底层线性代数库同时提供两种分解的实现接口；
• 部分在线计算器或入门博客会优先展示精简形式，因为更直观且计算量小。

技术优势与选型场景 #

选全QR（方阵Q）的场景 #

1. 完整正交变换需求：当后续需要对整个m维空间做正交投影、残差计算（比如最小二乘问题中，残差向量可通过Q的后m-n列直接表示）时，全QR的完整正交基能直接满足需求，无需额外计算。
2. 统一代码逻辑：全QR的分解逻辑不需要判断矩阵维度做截断，对于库的通用接口设计更友好，链式矩阵操作时维度兼容性更好。
3. 数值稳定性：完整的正交矩阵在后续迭代计算中能更好地保持数值稳定性，适合对精度要求高的场景。

缺点：当m远大于n时，Q的内存占用为$m^2$，远大于精简形式的$m×n$，计算时间也会更长。

选精简QR（方阵R）的场景 #

1. 资源受限场景：当m>>n（比如机器学习中样本数远多于特征数），精简形式的内存占用和计算量都显著更低，更适合轻量级库的性能优化。
2. 直接求解线性系统：求解$Ax=b$类问题时，精简QR得到的R是可逆方阵（假设A列满秩），可直接通过回代求解，无需处理R的零行，步骤更简洁高效。
3. 仅需列空间正交基：如果只需要A的列空间的正交基（Q的列），不需要正交补空间的基，精简形式完全满足需求，冗余计算更少。

缺点：无法直接提供正交补空间的信息，若后续需要残差或正交补相关计算，需额外补充计算。

选型建议 #

作为轻量级C语言线性代数库，建议优先提供两种形式的切换选项：

• 默认提供精简QR，兼顾轻量和常用场景；
• 允许用户通过参数选择全QR，覆盖高精度或完整正交变换需求；
• 在文档中明确标注两种形式的区别、内存占用和适用场景，让用户按需选择。

内容的提问来源于stack exchange，提问作者Gavin Hua