np.eye最灵活，支持非方阵、对角线偏移、dtype和内存布局控制；np.identity仅生成标准方阵，语义明确但功能受限；需注意dtype匹配与内存连续性以避免计算错误。
用 np.eye 创建单位矩阵最灵活
np.eye 是 NumPy 中创建单位矩阵的首选，支持非方阵、偏移对角线、指定数据类型和内存布局。它比 np.identity 更通用，尤其在需要控制对角线位置或构造矩形“类单位”矩阵时不可替代。
常见错误是误以为 np.eye(3) 和 np.identity(3) 完全等价——其实前者默认返回 float64，后者也返回 float64，但 np.eye 可通过 k 参数把对角线移到上/下偏移位置：
np.eye(4, k=1) # 第二条超对角线为1，其余为0
-
N（行数）和M（列数）可不同：np.eye(2, 5)返回 2×5 矩阵，前两列构成单位块 -
dtype必须显式指定才能得到整数型单位矩阵，例如np.eye(3, dtype=int)，否则默认是float64 - 在 GPU 加速场景（如 CuPy）中，
cp.eye接口与np.eye一致，迁移成本低
用 np.identity 创建标准方阵单位矩阵
np.identity 只接受一个参数 n，强制生成 n×n 方阵，且不支持 k 偏移或非方阵。它的存在主要是语义明确：你就是要一个数学定义下的标准单位矩阵。
典型误用是试图传入 M 或 k 参数，会直接报 TypeError: identity() takes exactly 1 positional argument。
立即学习“Python免费学习笔记（深入）”；
- 适合教学、公式验证等强调“纯单位性”的场景，代码意图一目了然
- 性能与
np.eye(n)几乎无差异，底层实现高度重合 - 不能替代
np.eye处理如“提取子空间基向量”这类需矩形单位块的线性代数任务
别忽略 dtype 和内存连续性影响
单位矩阵常用于矩阵乘法、求逆、特征分解等计算，dtype 错误会导致隐式类型提升，拖慢速度甚至引入浮点误差。例如用默认 float64 初始化后做整数索引运算，可能触发 FutureWarning: Casting complex values to real discards the imaginary part 类警告。
- 若后续参与整数运算（如索引、掩码），优先用
np.eye(n, dtype=int)或np.eye(n, dtype=bool) -
np.eye默认生成 C-contiguous 数组；若需 Fortran order（如对接某些 Fortran 库），加order='F' - 大规模初始化（如
n > 10000）时，避免反复调用np.eye，应复用已有数组或用np.diag(np.ones(n))（但后者更慢且占更多内存）
实际线性代数初始化中的典型陷阱
单位矩阵不是“摆设”，它常作为迭代初值、正则化项、坐标变换基底出现。直接写 np.eye(n) 很容易忽略上下文约束。
- 解线性方程组时用单位矩阵做初值（如 Newton 法求逆），必须确保
dtype与系数矩阵一致，否则np.linalg.solve会静默转成float64导致精度损失 - 构建分块矩阵（如卡尔曼滤波中的状态转移）时，用
np.eye拼接易出维度错位，推荐配合np.block显式声明结构 - 在 PyTorch 或 TensorFlow 中混用 NumPy 单位矩阵时，记得用
torch.from_numpy()或tf.convert_to_tensor()转换，否则张量操作会失败
真正麻烦的不是怎么生成单位矩阵，而是生成之后它是否匹配后续算子的数值类型、内存布局和广播规则——这些细节通常只在集成出错时才暴露。
