np.linalg.inv()求矩阵逆结果异常，乘积非单位矩阵如何解决

• 浮点运算固有精度限制：numpy默认使用双精度浮点数（float64）运算，理论精度上限约为1e-16，你的矩阵中本身就存在大量1e-17量级的极小值，这类值大多是前期运算的舍入残留，在求逆的多步运算中误差会被累积放大，最终得到的乘积结果主对角线为1、非对角线为1e-15~1e-16量级的极小值，属于正常的数值误差范畴，并非求逆逻辑错误。
• 矩阵条件数过高：你提供的矩阵条件数约为3e16，已经接近float64的精度极限，属于接近奇异的矩阵，这类矩阵求逆时数值稳定性极差，微小的输入误差就会导致输出结果出现极大偏差，是误差偏大的核心原因。
• np.linalg.inv的实现特性：该函数基于LU分解实现，仅适用于非奇异矩阵，对接近奇异的矩阵兼容性很差，也会放大误差。

• 验证误差是否在合理范围：不要直接肉眼判断打印结果，使用np.allclose(M_inv @ M, np.eye(M.shape[0]))做验证，该函数会自动忽略低于阈值的浮点误差，如果返回True则说明结果完全符合预期。如果要更直观观察，可以打印np.round(M_inv @ M, 12)，四舍五入后就是标准单位矩阵。
• 检查矩阵条件数：运行print(np.linalg.cond(M))，如果输出结果大于1e10，说明矩阵接近奇异，首先要排查你构造矩阵的业务逻辑是否正确，是否存在参数输入错误、应该为0的数值被带入了极小舍入值的情况。
• 替换更稳定的运算方案：
  • 如果你的业务场景是求解线性方程组Mx = b，不要使用inv(M) @ b的实现，直接调用np.linalg.solve(M, b)，精度会比先求逆再乘高数个量级。
  • 如果确实需要用到逆矩阵，替换np.linalg.inv为np.linalg.pinv计算Moore-Penrose伪逆，对接近奇异的矩阵兼容性更好。
• 预处理矩阵减少无效误差：如果矩阵中1e-15以下的数值理论上应该为0，可以先做一步截断处理M[np.abs(M) < 1e-15] = 0，再执行后续运算，能消除一部分不必要的舍入误差。

内容的提问来源于stack exchange，提问作者Eldir