为何使用numpy.linalg.solve无法正确求解线性方程组？

嘿，这个问题其实很常见——你犯了一个新手容易踩的小错误：系数矩阵的行和列完全搞反了，这才导致linalg.solve给出了不符合预期的结果。

先理清楚正确的矩阵形式 #

原方程组是：

x + y + z = 2
2x - 6y - z = -1
3x - 2z = 8

线性方程组的标准矩阵形式是 A * X = B，其中：

• A 是系数矩阵，每一行对应一个方程的系数：

  A = np.array([
      [1, 1, 1],   # 第一个方程：1*x + 1*y + 1*z
      [2, -6, -1], # 第二个方程：2*x + (-6)*y + (-1)*z
      [3, 0, -2]   # 第三个方程：3*x + 0*y + (-2)*z（y的系数是0别漏了）
  ])
  

• B 是常数项向量：np.array([2, -1, 8])
• X 是我们要求的未知数向量 [x, y, z]

而你构造的a是：

a = np.array([[1,2,3],[1,-6,0],[1,-1,-2]])

这个矩阵的每一列才是原方程的系数，相当于你把方程组写成了 X * A = B 的行向量形式，但numpy.linalg.solve默认处理的是列向量形式的A*X=B，自然得不到正确结果。

为什么调换dot顺序能得到正确结果？ #

当你执行 x = np.dot(b, np.linalg.inv(a)) 时，其实是在求解 X * a = b（行向量形式），而你的a恰好是正确系数矩阵的转置，这个操作刚好歪打正着匹配了原方程组的结构，所以得到了正确结果。但这是巧合，不是规范的解法。

修正后的正确代码 #

用linalg.solve的正确写法应该是这样的：

import numpy as np
from numpy.linalg import solve, LinAlgError

# 正确的系数矩阵
A = np.array([
    [1, 1, 1],
    [2, -6, -1],
    [3, 0, -2]
])
B = np.array([2, -1, 8])

try:
    X = solve(A, B)
except LinAlgError:
    X = np.linalg.lstsq(A, B)[0]

print(X)  # 输出：[ 2.  1. -1.]
# 用np.allclose代替==，避免浮点精度导致的判断错误
print(np.allclose(np.dot(A, X), B))  # 输出：True

这里用np.allclose代替直接的==，因为浮点计算可能存在微小的精度误差，直接用==偶尔会得到False，而allclose会判断两个数组是否在允许的误差范围内相等，更稳妥。

总结一下 #

• 构造系数矩阵时，一定要确保每一行对应一个方程的系数，和原方程组的顺序完全匹配
• numpy.linalg.solve 只处理 A*X=B 的列向量形式，不要搞反行和列
• 浮点数组的比较尽量用np.allclose，避免直接用==

内容的提问来源于stack exchange，提问作者Porada Kev