如何使用Python的numpy库求解矩阵的零空间？

嘿，我懂你的困扰——用np.linalg.solve(a, np.zeros_like(a[:,0]))确实只能得到全零的平凡解，这是因为np.linalg.solve的设计目标是求解可逆方阵的线性方程组，而零空间存在非平凡解的前提是矩阵a的秩小于列数（也就是矩阵不可逆），这时候solve就没法给出你想要的非平凡解了。

下面给你两种靠谱的解决方法：

方法一：直接使用np.linalg.null_space（推荐，NumPy 1.19+可用） #

NumPy从1.19版本开始提供了专门计算零空间的函数np.linalg.null_space，它会直接返回零空间的一组基向量，所有非平凡解都是这些基向量的线性组合（系数不全为0即可）。

举个代码示例：

import numpy as np

# 构造一个秩不足的矩阵（比如3x3矩阵，秩为2，零空间维度为1）
a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

# 获取零空间的基向量
null_basis = np.linalg.null_space(a)
print("零空间的基向量：")
print(null_basis)

# 生成一个非平凡解（比如用系数2乘以基向量）
non_trivial_sol = 2 * null_basis[:, 0]
print("\n一个非平凡解：")
print(non_trivial_sol)

# 验证：a乘以这个解应该接近零向量
print("\n验证a@non_trivial_sol：")
print(a @ non_trivial_sol)

方法二：用SVD分解兼容旧版本NumPy #

如果你的NumPy版本低于1.19，可以通过奇异值分解（SVD）来手动计算零空间。SVD分解中，奇异值接近0对应的右奇异向量就是零空间的基。

代码示例：

import numpy as np

a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

# 对矩阵做SVD分解
U, s, Vh = np.linalg.svd(a)

# 设置一个阈值，用来判断奇异值是否为0（因为浮点数计算有误差，不能直接等于0）
threshold = 1e-10
# 找到奇异值小于阈值的索引
null_indices = np.where(s < threshold)[0]

# 对应的Vh的行转置后就是零空间的基向量
null_basis_svd = Vh[null_indices, :].T
print("SVD方法得到的零空间基向量：")
print(null_basis_svd)

# 生成非平凡解
non_trivial_sol_svd = -3 * null_basis_svd[:, 0]
print("\n一个非平凡解：")
print(non_trivial_sol_svd)

简单总结一下：零空间的所有解都是基向量的线性组合，只要你给的系数不全为0，得到的就是满足a@x=0的非平凡解啦。

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