NumPy数组定义疑问：线性方程组求解结果差异原因探究

差异原因 #

两种求解结果出现偏差的核心问题是最初定义的矩阵A不符合线性方程组系数矩阵的要求，具体分为两种常见情况：

• 矩阵形状错误：把本该是(n,n)的二维方阵，误定义成了一维数组（如(9,)）或非方阵（如(1,9)）。np.linalg.solve要求输入的A必须是n阶二维方阵，b是长度为n的一维数组或n×1的列向量，若A形状错误，函数会错误解析方程组结构，导致结果偏离。
• 元素排列错误：将系数矩阵的行和列搞反（即使用了原矩阵的转置）。此时solve求解的是转置矩阵对应的方程组，自然和原方程组的解不同；而你用矩阵逆求解时，可能手动使用了正确的行排列矩阵，因此得到正确结果。

举个实际例子：假设正确的3×3系数矩阵是

A_correct = np.array([
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 10]
])
b = np.array([15, 36, 64])

用逆求解np.linalg.inv(A_correct) @ b得到[5., 4., 2.]，np.linalg.solve(A_correct, b)也会返回正确结果。但如果误将A定义为转置矩阵A_wrong = A_correct.T，再用solve求解，得到的结果就会完全错误，和你遇到的[-29., 6., 38.]类似。

NumPy数组正确定义方式 #

定义线性方程组的系数矩阵和右侧向量时，需严格遵循以下规范：

• 系数矩阵A：必须是二维方阵，每个子列表代表方程组的一行（即一个方程的系数），元素顺序与方程中未知数的顺序一致。示例：

  import numpy as np
  # 3阶线性方程组的系数矩阵
  A = np.array([
      [a11, a12, a13],  # 第一个方程：a11*x1 + a12*x2 + a13*x3 = b1
      [a21, a22, a23],  # 第二个方程：a21*x1 + a22*x2 + a23*x3 = b2
      [a31, a32, a33]   # 第三个方程：a31*x1 + a32*x2 + a33*x3 = b3
  ])
  

• 右侧向量b：可以是一维数组（推荐）或二维列向量，元素顺序与方程顺序一一对应：

  # 一维向量（形状(3,)）
  b = np.array([b1, b2, b3])
  # 或二维列向量（形状(3,1)）
  b = np.array([[b1], [b2], [b3]])
  

• 验证矩阵形状：定义后可通过print(A.shape)检查，确保输出为(n,n)（n为方程组未知数个数），避免形状错误。

内容的提问来源于stack exchange，提问作者toledano