求scipy.sparse.coo_matrix矩阵逆时触发RuntimeError:矩阵分解失败

可能原因及对应解决方案 #

1. 矩阵本身奇异（不可逆） #

稀疏图邻接矩阵大概率是奇异的——比如无向图邻接矩阵通常非满秩，或存在全零行/列，直接求逆不存在。先验证矩阵可逆性：

import numpy as np
import scipy.sparse

# 转换为CSC格式方便行/列求和
adj_csc = adj.tocsc()
# 检查零行
zero_rows = (adj_csc.sum(axis=1) == 0).ravel()
print(f"零行数量: {zero_rows.sum()}")
# 检查零列
zero_cols = (adj_csc.sum(axis=0) == 0).ravel()
print(f"零列数量: {zero_cols.sum()}")

若存在零行/列，矩阵必然奇异。如果是图算法场景，你可能实际需要的是度矩阵的逆（对角矩阵，仅需对非零对角元取倒数），而非邻接矩阵的逆。

2. 矩阵格式与精度问题 #

scipy.sparse.linalg.inv依赖的SuperLU求解器对CSC/CSR格式兼容性更好，且float32精度可能引发数值不稳定问题，手动转换格式和精度：

from scipy.sparse.linalg import inv

# 转换为CSC格式并提升精度到float64
adj_csc = adj.tocsc().astype(np.float64)
try:
    Dinv = inv(adj_csc)
except RuntimeError as e:
    print(f"报错: {e}")

3. 调整SuperLU求解器参数 #

若矩阵接近奇异但理论可逆，可调整求解器参数放宽阈值：

from scipy.sparse.linalg import splu
import scipy.sparse

adj_csc = adj.tocsc().astype(np.float64)
# 配置参数：降低主元阈值，使用更优列置换策略
lu = splu(adj_csc, diag_pivot_thresh=1e-10, permc_spec='MMD_AT_PLUS_A')
# 通过求解AX=I得到逆矩阵
I = scipy.sparse.eye(adj_csc.shape[0], format='csc')
Dinv = lu.solve(I)

• diag_pivot_thresh：值越小越易选择非对角主元，适配接近奇异的矩阵
• permc_spec='MMD_AT_PLUS_A'：优化列置换，提升因式分解稳定性

4. 替代方案：使用伪逆 #

若矩阵确实奇异但需类似逆的矩阵，可使用Moore-Penrose伪逆（注意：大矩阵会占用极高内存）：

from scipy.sparse.linalg import pinv

Dinv_pinv = pinv(adj.tocsc().astype(np.float64))

内容的提问来源于stack exchange，提问作者AttaUllah