Python使用SVD分解重构不同维度矩阵遇广播错误如何解决

前置问题修正：X_b矩阵构造错误 #

你贴出的X_b每个元素都是独立的单元素数组，属于嵌套三维数组结构，会导致SVD分解结果维度异常。首先需要将其转换为标准二维numpy数组：

import numpy as np
X_b = np.array([
    [2.52390408, 2.4962137, 2.46467486, 2.48760957],
    [2.52390408, 2.4962137, 2.46467486, 2.48760957]
])

后续SVD分解和重构逻辑和下文R矩阵的处理方法完全一致。

R矩阵重构报错根因 #

np.linalg.svd返回的奇异值s是长度等于min(矩阵行数, 矩阵列数)的一维数组，而非二维对角矩阵。你设置full_matrices=True时，u的形状为(3,3)，而s只有2个非零元素，直接用*做逐元素乘法时维度无法匹配，触发广播报错。

解决方法 #

方法1：构造完整奇异值矩阵重构 #

将s填充为和原始矩阵R形状一致的对角矩阵，再做矩阵乘法：

R = np.array([
    [190.93095651, 189.30517758],
    [187.01785506, 185.38861727],
    [183.29225361, 181.47205695]
])
u, s, vh = np.linalg.svd(R, full_matrices=True)

# 构造3行2列的奇异值矩阵，对角线填充s元素，其余为0
s_full = np.zeros((u.shape[0], vh.shape[0]))
np.fill_diagonal(s_full, s)

# 重构矩阵
R_recon = u @ s_full @ vh
# 验证和原始矩阵是否一致
print(np.allclose(R_recon, R)) # 输出为True即验证通过

方法2：截断SVD重构（性能更优） #

非零奇异值只有2个，u的第三列对应的奇异值为0，乘后结果为0，可以直接截取对应有效部分计算：

k = len(s)
R_recon = u[:, :k] @ np.diag(s) @ vh
print(np.allclose(R_recon, R))

扩展：通过SVD求矩阵伪逆 #

如果需要用SVD实现矩阵求逆，可参考如下写法：

# 对非零奇异值取倒数，可加阈值过滤极小值避免除零
s_inv = np.diag(1/s)
R_pinv = vh.T @ s_inv @ u[:, :len(s)].T
# 和numpy内置伪逆结果验证
print(np.allclose(R_pinv, np.linalg.pinv(R)))

内容的提问来源于stack exchange，提问作者Elaf Salah