求与Matlab lscov等效的Python函数及代码修正方案

我有三个数组：A(143,12)、b(143,1)、w(143,1)，在Matlab中通过[x,stdx]=lscov(A,b,w)计算，期望得到(12,1)的NaN矩阵（因原问题秩亏或权重特性导致）。尝试了三种Python方法，但要么结果不符，要么权重未生效，求修正方案。

尝试过的方法 #

方法1 #

import numpy as np
w=np.sqrt(np.diag(w)) 
Aw=A*np.sqrt(w)
bw=b*np.sqrt(w)
x, residuals, rank, s = np.linalg.lstsq(Aw, bw, rcond=0)

方法2 #

import numpy as np
w=np.sqrt(np.diag(w))
w=np.squeeze(w)
Aw=np.dot(w,A)
bw=np.dot(b,w)      
x,res,rank,s=np.linalg.lstsq(Aw, bw, rcond=-1)

方法3 #

import statsmodels.api as sm
x=sm.WLS(b,A,weights=w).fit()
x.params

问题分析与修正方案 #

错误原因 #

1. 方法1：np.diag(w)将(143,1)的w转为143x143对角矩阵，与A做元素乘法时广播维度不匹配，加权逻辑完全错误。
2. 方法2：np.dot(w,A)将权重作为行向量与A相乘，得到(1,12)的Aw，偏离了加权最小二乘对Aw形状（143x12）的要求。
3. 方法3：未处理秩亏场景（statsmodels默认返回最小范数解而非NaN），且未确保权重数组形状符合要求。

修正后的Numpy实现 #

import numpy as np

# 确保w为一维数组
w = w.squeeze()

# 过滤权重为0的观测（匹配Matlab lscov行为：权重为0的观测会被忽略）
mask = w != 0
A_filtered = A[mask]
b_filtered = b[mask]
w_filtered = w[mask]

# 正确计算加权后的A和b：每一行乘以对应权重的平方根
Aw = A_filtered * np.sqrt(w_filtered)[:, np.newaxis]
bw = b_filtered * np.sqrt(w_filtered)[:, np.newaxis]

# 求解最小二乘，rcond=None匹配Matlab的秩判断逻辑
x, residuals, rank, s = np.linalg.lstsq(Aw, bw, rcond=None)

# 若秩小于A的列数，返回NaN矩阵（匹配Matlab预期结果）
if rank < A.shape[1]:
    x = np.full((A.shape[1], 1), np.nan)

修正后的Statsmodels实现 #

import statsmodels.api as sm

# 确保w为一维数组
w = w.squeeze()

# 构建加权最小二乘模型
model = sm.WLS(b, A, weights=w)
results = model.fit()

# 若模型秩不足，返回NaN矩阵；否则返回参数
if results.model.rank < A.shape[1]:
    x_params = np.full((A.shape[1], 1), np.nan)
else:
    x_params = results.params.values.reshape(-1, 1)

内容的提问来源于stack exchange，提问作者Fand