np.linalg.solve() 报“Singular matrix”错误是因为系数矩阵A不可逆（行列式为0、列/行线性相关），导致方程无唯一解；常见原因包括行重复、线性组合、非方阵或浮点误差致条件数过大。
为什么 np.linalg.solve() 报 “Singular matrix” 错误
因为系数矩阵 A 不可逆——它行列式为 0，或者更实际地说，它的列（或行）线性相关。这不是函数写错了，是数学上无唯一解：可能无解，也可能有无穷多解。
常见诱因包括：
-
A中有两行完全相同，或某一行是其他行的线性组合（比如传感器数据重复采集、特征工程中没去重的 dummy 变量） - 用
np.vstack拼接向量时维度没对齐，导致A实际是瘦高或矮胖矩阵（np.linalg.solve()要求A必须是方阵） - 浮点误差累积让本该满秩的矩阵被判定为奇异（尤其当条件数 > 1e15 时）
验证方式：运行 np.linalg.cond(A)，结果超过 1e16 就基本可以认为数值上不可靠；或直接 np.linalg.matrix_rank(A) 。
用 np.linalg.solve() 解 Ax = b 的硬性前提
必须同时满足三项，缺一不可：
-
A是二维ndarray，且形状为(n, n)（方阵） -
b是一维ndarray（形状(n,)），或列向量（形状(n, 1)）——若传入行向量(1, n)会报LinAlgError: Last 2 dimensions of the array must be square -
A和b的 dtype 兼容，推荐统一用float64；混用int32和float32可能触发隐式转换失败
示例正确调用：
import numpy as np A = np.array([[2., 1.], [1., 1.]]) b = np.array([3., 2.]) # 注意不是 [[3.], [2.]] 或 [3., 2., 1.] x = np.linalg.solve(A, b)
比 solve() 更鲁棒的替代方案：什么时候该换
当你不确定 A 是否严格可逆，或需要处理欠定/超定系统时，solve() 就不该是第一选择。
- 想容忍轻微病态？改用
np.linalg.lstsq(A, b, rcond=None)，它返回最小二乘解，且rcond=None会自动基于机器精度设截断阈值 - 明确知道是欠定（未知数多于方程）？用
np.linalg.pinv(A) @ b得到最小范数解 - 只是想快速验证是否有解？先跑
np.linalg.matrix_rank(A) == np.linalg.matrix_rank(np.column_stack((A, b)))，相等才有解
注意：np.linalg.inv(A) @ b 看似等价，但数值稳定性差、计算慢，纯属画蛇添足。
解出来结果不准？先盯住 A 和 b 的原始构造
90% 的“解错”问题出在输入本身，而非求解器。重点检查：
- 构建
A时是否意外用了np.append默认按行拼接，却忘了加axis=1导致矩阵变形 -
b是从 pandasSeries或 DataFrame 某列取的？记得加.values，否则可能带 index 引发广播错误 - 是否在归一化
A后忘了同步缩放b？例如用StandardScaler只 fit_transform 了A，却直接用原b
最简排障命令：print(A.shape, b.shape, A.dtype, b.dtype) —— 别跳过这一步。
病态矩阵和构造污染是隐形主力，不暴露在错误信息里，但天天拖慢你调试节奏。
