为何sympy.Matrix.inv方法运行速度缓慢？

你这段代码里的3x3矩阵求逆之所以慢，核心原因是你在做符号运算，而非数值运算——这和你预期的“小矩阵求逆快”完全不是一个场景。

为什么这么慢？ #

SymPy的矩阵求逆是推导解析表达式：逆矩阵的每个元素都是分子分母包含多个符号变量的多项式分式，SymPy需要完成符号展开、合并同类项、分式化简等操作，这些步骤的计算量远大于NumPy等数值库的数值求逆（数值求逆只需要做浮点数运算）。哪怕是3x3的符号矩阵，背后的符号推导工作量也不小。

另外你用NumPy数组存储符号变量再转SymPy矩阵的方式，还会额外引入类型转换的开销，进一步拖慢速度。

优化方案 #

• 直接用SymPy构建矩阵，去掉NumPy的中间步骤，减少不必要的开销：

import sympy as sp

# 直接生成10x3的符号矩阵
X = sp.Matrix(10, 3, lambda i, j: sp.Symbol(f'X{i}{j}'))
X_T_X = X.T @ X
print(X_T_X.inv())

• 如果不需要解析解，改用数值运算：
  如果你的需求只是得到数值结果，别用SymPy，直接用NumPy处理数值矩阵，求逆速度会极快：

import numpy as np

X = np.random.rand(10, 3)  # 用随机数值代替符号变量
X_T_X = X.T @ X
print(np.linalg.inv(X_T_X))

• 给符号变量添加假设，简化运算：
  如果必须保留符号运算，可以给符号变量添加实数、正数等假设，帮助SymPy更快完成化简：

import sympy as sp

# 给符号变量添加实数假设
X = sp.Matrix(10, 3, lambda i, j: sp.Symbol(f'X{i}{j}', real=True))
X_T_X = X.T @ X
print(X_T_X.inv())

内容的提问来源于stack exchange，提问作者Galen