针对np.linalg.pinv，是否存在类似np.linalg.solve的等价求解函数？

对于线性方程组A @ x = b，我们知道有两种常见求解方式：

• 显式计算逆矩阵再作用于b：x = np.linalg.inv(A) @ b
• 使用专用求解函数：x = np.linalg.solve(A, b)

后者因性能更优、数值稳定性更强，通常是优先选择的方案。针对伪逆的场景，其实不需要单独的psolve函数，np.linalg.lstsq(A, b, rcond=None)就完全等价于np.linalg.pinv(A) @ b，而且它的表现同样比直接计算伪逆再乘b更好。

np.linalg.lstsq本质是求解最小二乘问题，寻找能使||A@x - b||_2（欧几里得范数）最小的x：

• 当A是方阵且可逆时，它的结果和solve完全一致；
• 当A不可逆或为非方阵时，它返回的解就是伪逆乘以b的结果，而且在解不唯一的情况下，会自动选择范数最小的那个解，这完全符合伪逆的定义。

举个实际代码例子验证：

import numpy as np

# 构造一个非方阵的A和向量b
A = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([7, 8, 9])

# 两种方式计算
x_pinv = np.linalg.pinv(A) @ b
x_lstsq = np.linalg.lstsq(A, b, rcond=None)[0]

# 验证结果一致
print(np.allclose(x_pinv, x_lstsq))  # 输出 True

所以实际开发中，优先使用np.linalg.lstsq来替代pinv(A) @ b，就像用solve替代inv(A) @ b的思路一样。

内容的提问来源于stack exchange，提问作者Till Hoffmann