Python求解线性方程组遇LinAlgError：输入数组需至少二维

咱来一步步拆解你遇到的问题：

错误原因分析 #

你碰到的LinAlgError: 1-dimensional array given. Array must be at least two-dimensional，核心是两个问题：

1. 系数矩阵形状不合法：你构造的a矩阵前两行有7个元素，但第三行只写了6个——第三个方程明明包含x₆，却漏掉了它的系数1/21。numpy遇到行长度不一致的列表时，会生成一个一维的object数组，而非我们需要的二维数值矩阵，这直接触发了报错。
2. 方程组类型不匹配np.linalg.solve：就算修正了矩阵形状，你当前只有3个方程，但变量有x₀到x₆共7个，这是欠定方程组（方程数<变量数），有无穷多解。而np.linalg.solve只能处理适定方程组（方程数=变量数，即系数矩阵为方阵），所以就算矩阵形状对了，用solve还是会报错。

解决方案 #

第一步：修正系数矩阵 #

先把第三行漏掉的x₆系数补上，让每一行都有7个元素，确保a是合法的二维数组：

import numpy as np

# 修正后的系数矩阵，第三行补充x6的系数1/21
a = np.array([
    [1, 1/10, 1/10, 1/10, 1/10, 0, 0],
    [0, 1+1/15, 1/15, 1/15, 1/15, 1/15, 0],
    [0, 1/21, 1+1/21, 1/21, 1/21, 1/21, 1/21]
])
b = np.array([10, 20, 30])

第二步：求解欠定方程组 #

对于欠定方程组，我们可以用两种常用方法：

方法1：求最小二乘解

如果只需要一个最优近似解（最小二乘意义下），可以用np.linalg.lstsq：

# 求解最小二乘解
x, residuals, rank, singular_values = np.linalg.lstsq(a, b, rcond=None)
print("最小二乘解：", x)

方法2：求通解（特解+零空间）

如果需要完整的通解（所有可能的解），可以结合最小二乘特解和零空间基来构造：

from scipy.linalg import null_space

# 求特解（最小二乘解）
x特解, _, _, _ = np.linalg.lstsq(a, b, rcond=None)
# 求零空间基（通解的线性组合部分）
零空间基 = null_space(a)

print("特解：", x特解)
print("零空间基（共{}个线性无关的向量）：".format(零空间基.shape[1]))
print(零空间基)
# 通解形式：x = x特解 + k1*零空间基[:,0] + k2*零空间基[:,1] + ... + k4*零空间基[:,3]
# 其中k1~k4为任意实数

总结 #

1. 先确保系数矩阵的每一行长度一致，生成合法的二维数组；
2. 根据方程组类型选择合适的求解函数：适定方程组用np.linalg.solve，欠定/超定方程组用np.linalg.lstsq或其他专门工具。

内容的提问来源于stack exchange，提问作者Will