np.linalg.svd()仅支持二维输入，一维数组需reshape或atleast_2d升维；返回的S是一维奇异值数组，重构需显式构造Σ并按U@Σ@VT顺序计算；降维应设full_matrices=False并截取前k项。
np.linalg.svd() 要求输入必须是二维矩阵，一维数组直接报错
如果你传入 np.array([1, 2, 3]) 这种 shape 为 (3,) 的一维数组，np.linalg.svd() 会立刻抛出：LinAlgError: 1-dimensional array given. Array must be at least two-dimensional。这不是 bug，是设计使然——SVD 定义在矩阵（即二维结构）上，向量没有“左/右奇异向量”的几何意义。
解决方法很简单：用 .reshape() 或双括号强制升维：
-
np.array([1, 2, 3]).reshape(1, -1)→ 行向量（1×3），适合把单条样本当一行特征 -
np.array([1, 2, 3]).reshape(-1, 1)→ 列向量（3×1），适合把单个变量的多个观测当一列 - 更稳妥写法：
np.atleast_2d(arr).T（转置保证列向量）或np.atleast_2d(arr)（默认行向量）
U、S、VT 三个返回值怎么用？别直接拿 S 当对角矩阵
np.linalg.svd(A) 返回的是 U（m×m 正交）、S（一维 ndarray，长度为 min(m,n)）、VT（n×n 正交）。注意：S 不是对角矩阵，只是奇异值列表；直接 U @ S @ VT 会报维度错误。
重构原矩阵的正确姿势是：
- 构造 Σ：用
np.zeros((A.shape[0], A.shape[1]))初始化，再np.fill_diagonal(Σ, S) - 或更简洁：
Σ = np.diag(S)—— 但仅当A是方阵或你接受截断形状时安全；否则推荐显式填充 - 乘法顺序固定：
U @ Σ @ VT，不是U.T @ Σ @ VT.T或其他变体
降维不是调个 k 就完事：full_matrices 参数决定内存和形状
默认 full_matrices=True 时，U 是 m×m、VT 是 n×n，哪怕 A 很瘦（比如 1000×10），也会生成巨大的冗余矩阵，容易 OOM。
真实降维场景（如 PCA 替代、图像压缩）应设 full_matrices=False：
-
U变成 m×r，VT变成 r×n（r = rank ≈ min(m,n)），内存直降一个量级 - 截断前 k 个奇异值时，直接取
U[:, :k]、S[:k]、VT[:k, :]即可，无需构造全尺寸 Σ - 注意：scipy.sparse.linalg.svds 不支持 dense 输入，稀疏矩阵降维请用
scipy.sparse.linalg.svds或sklearn.decomposition.TruncatedSVD
重构误差不为零？检查浮点精度和秩近似是否合理
即使完美分解，np.linalg.norm(A - U @ Σ @ VT) 通常也不是精确 0，而是 ~1e-14 量级 —— 这是双精度浮点计算的正常残差，不用慌。
但若误差 > 1e-8，可能踩了这些坑：
- 用了
np.diag(S)但A是长方形（如 5×3），导致 Σ 形状错配（应为 5×3，而非 3×3） - 做截断重构时，误用
VT[:k, :].T代替VT[:k, :]（VT已是转置结果） - 原始矩阵含 NaN 或 inf：SVD 会静默失败或返回异常值，务必先
np.isnan(A).any()检查
奇异值本身能告诉你数据本质：如果 S[10:] 全是 ~1e-16，说明秩最多 10，强行保留 50 个奇异值纯属浪费。
