如何用Python求解由线性方程组定义的仿射空间的基？

我有一个由线性方程组定义的仿射空间，例如：

x + y + z = 2 && x - 3z = 4

在Python中我将其表示为：

[ [1,1,1,2] , [1,0,-3,4] ]

想求解该仿射集的基，请问Python有没有合适的库可以实现？

相关数学原理 #

设仿射空间由矩阵方程 (Ax = b) 定义：

• 若方程组无解，则该仿射集合为空，需返回错误信息。
• 若有解，取 (y) 为 (Ax = b) 的任意特解，({x_1, x_2, ..., x_k}) 为矩阵 (A) 的零空间（即 (Ax=0) 对应的空间）的基，则该仿射空间的基为 ({y, y+x_1, y+x_2, ..., y+x_k})。

以上述方程组为例，对应的矩阵方程为 (Ax = b)，其中：
(A = \begin{bmatrix}1 & 1 & 1 \ 1 & 0 & -3\end{bmatrix})，(x = \begin{bmatrix}x \ y \ z\end{bmatrix})，(b = \begin{bmatrix}2 \ 4\end{bmatrix})

推荐库与实现代码 #

可以使用 NumPy 和 SciPy 完成这个任务，它们是Python生态中处理线性代数的标准工具。以下是具体实现步骤和代码：

实现逻辑

1. 拆分输入的增广矩阵，分离出系数矩阵 (A) 和常数项向量 (b)
2. 通过比较系数矩阵与增广矩阵的秩，判断方程组是否有解
3. 求解方程组的一个特解 (y)
4. 计算系数矩阵 (A) 的零空间基向量
5. 根据数学原理，组合特解与零空间基向量，构造出仿射空间的基

完整代码示例

import numpy as np
from scipy.linalg import null_space

def affine_space_basis(augmented_matrix):
    # 转换为numpy浮点数组，确保计算精度
    aug_mat = np.array(augmented_matrix, dtype=np.float64)
    A = aug_mat[:, :-1]
    b = aug_mat[:, -1]
    
    # 判断方程组是否有解：秩不相等则无解
    rank_A = np.linalg.matrix_rank(A)
    rank_aug = np.linalg.matrix_rank(aug_mat)
    
    if rank_A != rank_aug:
        raise ValueError("该线性方程组无解，仿射集合为空")
    
    # 求解特解：lstsq可处理适定/欠定方程组
    y, _, _, _ = np.linalg.lstsq(A, b, rcond=None)
    
    # 获取零空间的正交基
    null_basis = null_space(A)
    
    # 构造仿射空间的基
    affine_basis = [y]
    for vec in null_basis.T:
        affine_basis.append(y + vec)
    
    return affine_basis

# 测试示例
augmented_matrix = [[1,1,1,2], [1,0,-3,4]]
try:
    basis = affine_space_basis(augmented_matrix)
    print("仿射空间的基为：")
    for i, vec in enumerate(basis):
        print(f"基向量{i+1}: {vec.round(4)}")
except ValueError as e:
    print(e)

代码说明

• 秩判断：通过np.linalg.matrix_rank验证方程组的相容性，确保后续计算有效
• 特解求解：np.linalg.lstsq是通用的线性方程组求解器，在方程组有解时会返回一个满足条件的特解
• 零空间基：scipy.linalg.null_space返回零空间的正交基，转置后方便遍历单个基向量
• 基构造：严格遵循数学原理，将特解与每个零空间基向量相加，再加上特解本身，得到仿射空间的完整基

内容的提问来源于stack exchange，提问作者Anon