np.linalg.svd结果符号异常？与WolframAlpha、MIT教程不符

我正在学习SVD（奇异值分解）以将其用于PCA（主成分分析），但使用np.linalg.svd处理矩阵A=np.array([[2,2],[1,1]])时，得到的结果数值大小正确，但符号与WolframAlpha及MIT OpenCourseWare教程中的结果不一致，想知道问题出在哪里？

代码如下：

A = np.array([[2, 2],
              [1, 1]])
u, s, v = np.linalg.svd(A, full_matrices=False)
print(u)
print(s)
print(v)

运行结果：

[[-0.89442719 -0.4472136 ]
 [-0.4472136   0.89442719]]
[3.16227766e+00 1.10062118e-17]
[[-0.70710678 -0.70710678]
 [ 0.70710678 -0.70710678]]

这是完全正常的现象，核心原因是SVD的结果并非唯一——对于任意奇异值对应的左奇异向量和右奇异向量，你可以同时翻转它们的符号，得到的结果依然满足SVD的定义：$A = U\Sigma V^T$。

具体来说：

• 假设原结果中$u_i$是$U$的第$i$列，$v_i$是$V$的第$i$行（因为np.linalg.svd返回的$V$是已经转置后的结果），那么将$u_i$乘以-1，同时将$v_i$乘以-1，代入$U\Sigma V^T$后，两个负号会抵消，结果仍然等于原矩阵$A$。
• 你可以验证自己的结果：计算u @ np.diag(s) @ v，会发现结果和原矩阵$A$完全一致，说明这个SVD分解是正确的。

不同工具（比如NumPy、WolframAlpha）在计算SVD时，可能采用不同的数值算法或符号约定，导致最终输出的奇异向量符号不同，但这都是有效的分解结果。

对于你关心的PCA应用来说，这种符号差异不会影响最终的分析结果：PCA关注的是主成分方向上的方差，向量符号翻转只是方向相反，方差的大小完全不变，因此不会改变PCA的核心结论。

内容的提问来源于stack exchange，提问作者abdo Salm