Scipy计算复矩阵零空间结果与MATLAB不一致，实矩阵场景正常

嗨，我完全懂你这种困惑——实矩阵下结果完美匹配，一到复矩阵就差得有点明显，换谁都会怀疑是不是自己代码写错了，或者工具精度有问题😉

先给你吃个定心丸：你的代码没问题，scipy在复矩阵上的计算也没出错，出现这种差异的核心原因是：零空间的基并不是唯一的！

只要一组向量满足「矩阵与它们的乘积是零向量」，并且彼此线性无关，那它们就是零空间的合法基。scipy和MATLAB只是选择了不同的基而已，并不代表其中某一个结果不对。

我们来还原你的场景：
你用到的复矩阵是：

[[ 1.        +0.j   0.        +0.j   0.        +0.j  -0.28867513+0.5j]
 [ 0.        +0.j   1.        +0.j   0.        +0.j  -0.28867513-0.5j]
 [ 0.        +0.j   0.        +0.j   1.        +0.j   0.57735027-0.j ]]

scipy的scipy.linalg.null_space返回的结果：

[[ 0.24235958-0.32852474j]
 [ 0.16333098+0.37415192j]
 [-0.40569056-0.04562718j]
 [ 0.70267665+0.0790286j ]]

MATLAB的null函数返回的结果：

0.2235 - 0.3134i
0.1596 + 0.3502i
-0.4151 + 0.2949i
0.6636 + 0.0639i

你可以自己验证一下：把这两个结果分别和原始矩阵相乘，得到的都会是近似全零的向量（考虑浮点精度的微小误差），这说明它们都满足零空间的定义。

至于为什么会选不同的基，是因为两个工具用的算法细节有差异：

• scipy的null_space默认基于**奇异值分解（SVD）**来计算零空间；
• MATLAB的null函数默认对复矩阵会采用不同的正交化策略（比如可能在SVD之后的基向量正交化步骤和scipy不一样），导致最终输出的基向量看起来差异很大，但本质上都是正确的。

如果希望结果更接近，你可以尝试让两个工具用相同的算法：比如在MATLAB里调用null(A, 'svd')，强制用SVD方法，这样结果会和scipy的更相似（不过可能还是会有符号或缩放的差异，但这都是零空间基的合法变体）。

总结一下：不用纠结两个结果看起来不一样，它们都是正确的零空间基，只是工具选择了不同的表现形式而已~

备注：内容来源于stack exchange，提问作者marcus1518