不能用 np.linalg.inv(A) @ b 求解 Ax = b，因其数值不稳定，尤其当 A 条件数大时误差显著放大；应优先使用 np.linalg.solve(A, b)，它基于带主元 LU 分解，误差控制更优。
为什么不能用 np.linalg.inv 再乘 b 解 Ax = b
直接算 np.linalg.inv(A) @ b 看似直观，但实际中容易放大浮点误差，尤其当 A 接近奇异（条件数大）时，inv 的数值误差可能比原方程残差高几个数量级。这不是“不准”，而是“不稳定”——同样的矩阵，换一组小扰动输入，解可能剧烈跳变。
根本原因在于：求逆本身是病态操作；而 np.linalg.solve 内部用 LU 分解（带行主元），不显式构造逆矩阵，每一步都控制舍入误差传播。
-
np.linalg.solve(A, b)默认调用 LAPACK 的dgesv（双精度）或sgesv（单精度），本质是带主元的高斯消元 -
np.linalg.inv(A)调用的是dgetri，需先 LU 分解再反向求逆，多了一次矩阵乘法，误差叠加更明显 - 实测：对 condition number ≈ 1e12 的随机矩阵，
solve残差np.max(np.abs(A @ x - b))通常在 1e-13 量级；inv+@往往退化到 1e-9～1e-7
使用 np.linalg.solve 的三个硬性前提
它不是万能黑盒，必须满足以下三点，否则会报错或返回无意义结果：
-
A必须是二维ndarray，且形状为(n, n)—— 即方阵；非方阵直接抛LinAlgError: Last 2 dimensions of the array must be square -
b的维度要匹配：b是一维时长度必须为n；是二维时第二维必须为n（即(n,)或(n, k)），否则报ValueError: Shape mismatch -
A必须数值可逆（满秩）；若接近奇异，solve仍会尝试计算，但返回解的残差可能很大，且不警告——你得自己检查np.linalg.cond(A)或残差
如何安全调用 np.linalg.solve 并验证结果
别只信返回值，线性求解必须做后验验证。一个典型流程如下：
立即学习“Python免费学习笔记（深入）”；
import numpy as np
<p>A = np.array([[2., 1.], [1., 0.99]]) # 条件数约 400，不算坏但已需留意
b = np.array([3., 1.5])</p><p>try:
x = np.linalg.solve(A, b)
except np.linalg.LinAlgError as e:
print(f"矩阵奇异，无法求解：{e}")
x = None</p><p>if x is not None:
residual = np.max(np.abs(A @ x - b))
cond_A = np.linalg.cond(A)
print(f"解 x = {x}")
print(f"最大残差 = {residual:.2e}")
print(f"A 的条件数 = {cond_A:.2f}")</p><h1>一般建议：残差 < 1e-10 且 cond_A < 1e12 才算可信</h1>- 永远用
try/except捕获LinAlgError，而不是靠np.linalg.matrix_rank预判——后者开销大且未必准 - 残差用
np.max(np.abs(...))比np.linalg.norm更直观，能看出哪个分量误差最大 - 条件数用
np.linalg.cond(A, p=2)（默认），不要用p=1或inf，除非你明确需要对应范数下的估计
替代方案：当 A 不是方阵或需要正则化解时
np.linalg.solve 只处理方阵。遇到超定（m > n）或欠定（m ）系统，得换方法：
- 超定最小二乘（最常见）：用
np.linalg.lstsq(A, b, rcond=None)，返回解、残差、秩、奇异值；rcond=None表示自动截断小奇异值 - 带 L2 正则（岭回归）：改用
np.linalg.solve(A.T @ A + alpha * np.eye(n), A.T @ b)，其中alpha > 0控制正则强度 - 稀疏大型方阵：别用 NumPy，上
scipy.sparse.linalg.spsolve或迭代法如cg，否则内存和时间爆炸
真正难的从来不是调哪个函数，而是判断当前问题该用哪种数学模型——方程是否真该被解成唯一解？数据噪声有多大？有没有隐含约束？这些决定了你该停在 solve，还是往前走到 lstsq，或者往后退到 SVD 截断。
