在Python的NumPy/SciPy中求三角矩阵的逆（含Cholesky分解场景）

首选方案：SciPy的inv_triangular函数 #

SciPy的scipy.linalg.inv_triangular是专门为上/下三角矩阵求逆设计的高效、稳定工具，完美适配Cholesky分解得到的下三角正定矩阵场景。

它的核心优势：

• 利用三角矩阵结构，计算量仅为普通矩阵求逆的1/3左右
• 内置数值稳定性处理，避免手动实现的精度误差
• 经过严格测试，覆盖对角元极小但非零等边界情况

代码示例

import numpy as np
from scipy.linalg import cholesky, inv_triangular

# 生成正定矩阵A
A = np.array([[4, 2, 1], [2, 5, 3], [1, 3, 6]], dtype=np.float64)
# Cholesky分解得到下三角矩阵L
L = cholesky(A, lower=True)
# 计算L的逆
L_inv = inv_triangular(L, lower=True)

# 验证结果：L @ L_inv 应接近单位矩阵
print(np.allclose(L @ L_inv, np.eye(3)))  # 输出True

替代方案：用solve_triangular间接求逆 #

如果需要更灵活的控制（比如指定精度、处理非方阵三角矩阵），可以通过scipy.linalg.solve_triangular求解线性方程组 L @ X = I，解X即为L的逆：

from scipy.linalg import solve_triangular

I = np.eye(L.shape[0])
L_inv = solve_triangular(L, I, lower=True)

NumPy的局限性 #

NumPy本身没有专门的三角矩阵求逆函数，若用numpy.linalg.inv会忽略三角结构做全矩阵求逆，效率低且没必要，因此优先推荐SciPy的专用工具。

为什么不推荐手动实现？ #

手动实现（如对对角元取逆、处理非对角元）看似简单，但存在诸多隐患：

• 容易忽略数值稳定性问题，导致浮点精度累积误差
• 手动处理三角结构索引极易出现下标错误
• 无法覆盖奇异三角矩阵判断、非方阵等边界场景
• 计算效率远低于经过优化的库函数

内容的提问来源于stack exchange，提问作者user16715836