Python实现可自定义规模的回归矩阵方程，规避多分支条件

我完全理解你的需求——不想写一堆重复的if分支来适配不同规模的回归矩阵，而是用一段通用代码搞定所有情况。你的现有代码其实已经暴露了核心规律，我们只需要把这个规律抽象成通用逻辑就行。

核心思路 #

观察你写的代码可以发现：

• 矩阵a的维度是(n-1)x(n-1)，其中每个元素a[i][j]是第i+1个特征向量和第j+1个特征向量的元素乘积之和（对应FL[1+i]和FL[1+j]）
• 向量b的长度是n-1，每个元素b[i]是目标变量（FL[0]）和第i+1个特征向量的元素乘积之和

这些操作本质上就是矩阵乘法的基本逻辑，我们可以用numpy的矩阵运算直接实现通用版本，无需任何条件判断。

通用代码实现 #

import numpy as np

# 前提：FL是一个列表，其中FL[0]对应目标变量y，FL[1:]对应特征向量Phi_1到Phi_{n-1}
# 自动计算特征数量（即矩阵a的维度）
num_features = len(FL) - 1

# 将特征向量转换为样本x特征的矩阵（每行是一个样本，每列是一个特征）
X = np.column_stack(FL[1:])

# 构建回归所需的矩阵a和向量b
a = X.T @ X  # 等价于两两特征向量的点积求和，自动适配任意特征数量
b = X.T @ FL[0]  # 等价于目标变量与每个特征的点积求和

# 求解线性方程组
x = np.linalg.solve(a, b)

为什么这能替代原来的if分支？ #

• 自动适配规模：不管你的n是3、4还是其他数值，只要FL包含目标变量和对应数量的特征向量，代码会自动计算矩阵的维度，生成对应大小的a和b。
• 逻辑完全一致：X.T @ X的每个元素就是你原来手动写的np.sum(np.multiply(FL[1+i], FL[1+j]))，矩阵乘法的本质就是对应元素相乘后求和，和你的原逻辑完全等价。
• 简洁高效：numpy的矩阵运算经过优化，比手动循环或重复分支的代码运行效率更高，也更易维护。

验证示例 #

比如当n=3时，num_features=2，X是2列的矩阵，X.T @ X会生成2x2的矩阵，和你原来第一个if分支的a完全相同；b也和原来的向量一致。同理n=4时，会自动生成3x3的矩阵，完全匹配第二个if分支的逻辑。

内容的提问来源于stack exchange，提问作者Essam