Python用Numpy实现QR分解时shape广播不匹配报错如何解决

报错的核心是维度不匹配：

• 输入的A是np.matrix类型，取A[:,i]返回的是shape为(3,1)的二维列向量
• 而Q[:,i]是从二维数组里切出来的一维切片，shape为(3,)
• 二维数组无法直接赋值给一维数组，因此触发广播报错。

有两种常用修复方式，推荐第一种：

方案1：替换过时的np.matrix为np.array（推荐） #

numpy的matrix类型已被官方标记为不推荐使用，换成标准数组类型即可规避维度问题，同时要修正矩阵乘法的写法：

1. 把输入的np.matrix改为np.array
2. 原代码中R = Q.T*A的*是逐元素乘法，矩阵乘法要换成@运算符或者np.dot
3. main函数接收返回值时要同时接Q和R两个返回值

修正后完整代码如下：

import numpy as np

def QRfactorization(A):
    # 获取矩阵尺寸
    N = len(A)
    # 预分配Q矩阵
    Q = np.zeros((N, N))
    
    for i in range(N):
        u =  A[:,i]
        for j in range(i):
            # 计算投影
            h = np.vdot(u,Q[:,j])
            u = u - h*Q[:,j]
        norm = np.linalg.norm(u) 
        # 增加奇异矩阵判断，避免除零报错
        if norm < 1e-10:
            Q[:,i] = u
        else:
            Q[:,i] = u / norm
    # 计算R矩阵，用@做矩阵乘法
    R = Q.T @ A
    return Q , R

def main():
    # 输入替换为np.array，测试用满秩矩阵
    A = np.array([[1,2,3],[4,5,6],[7,8,10]])
    Q, R = QRfactorization(A)
    print("Q矩阵：\n", Q)
    print("R矩阵：\n", R)

main()

方案2：不修改输入类型，手动降维u #

如果必须保留np.matrix作为输入，只需要在赋值时把u转为一维即可，把报错行改为：
Q[:,i] = (u / norm).squeeze()
使用.flatten()、.ravel()也可以实现相同的降维效果。

你给出的初始测试用例A是秩为2的奇异矩阵，迭代到第三列时norm会为0，触发除零报错，测试时建议换成满秩矩阵。

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