np.linalg.inv()因要求矩阵严格满秩而对奇异矩阵报错，pinv()基于SVD自动截断小奇异值故不报错，但返回的是伪逆而非真逆，不满足A @ inv(A) == I。
NumPy 中 np.linalg.inv() 遇到奇异矩阵直接抛 LinAlgError: Singular matrix，不能用；改用 np.linalg.pinv() 计算 Moore-Penrose 伪逆是标准解法，但要注意它不等价于真逆，且默认容忍度可能掩盖数值病态问题。
为什么 np.linalg.inv() 会报错而 pinv() 不会
np.linalg.inv() 要求输入矩阵严格可逆（满秩、行列式非零），底层调用 LAPACK 的 dgetrf/dgetri，遇到秩亏立即失败。而 np.linalg.pinv() 基于 SVD 分解，自动截断小奇异值，天然支持秩亏或近似奇异矩阵。
但注意：pinv() 返回的不是数学意义上的逆——它最小化 Frobenius 范数意义下的残差，适用于最小二乘、欠定/超定系统，**不能代入 A @ inv(A) == I 验证**。
- 若矩阵本应满秩但因浮点误差被判定为奇异，优先检查数据缩放和条件数（
np.linalg.cond(A)） -
pinv()默认用rcond=1e-15作为奇异值截断阈值，对病态矩阵可能过于宽松 - SVD 开销比 LU 大，
pinv()比inv()慢一个数量级以上，别在热循环里滥用
如何安全使用 np.linalg.pinv() 替代 inv()
核心是显式控制截断阈值 rcond，避免默认值把本该报警的病态问题悄悄“修复”。
立即学习“Python免费学习笔记（深入）”；
- 先用
np.linalg.svd(A, compute_uv=False)看奇异值分布，判断哪些值接近零 - 设
rcond = max(singular_values) * eps，其中eps取1e-10～1e-12（比默认1e-15更严格） - 示例：
A = np.array([[1, 2], [2, 4.0000000001]]) # 近乎奇异 u, s, vh = np.linalg.svd(A) print("singular values:", s) # [5.0000000001, 9.99999999e-11] A_pinv = np.linalg.pinv(A, rcond=1e-10) - 验证结果：用
np.allclose(A @ A_pinv @ A, A)检查是否满足伪逆定义，而非A @ A_pinv是否接近单位阵
什么时候不该用 pinv() 直接替代 inv()
伪逆不是万能补丁。以下场景换思路更稳妥：
- 求解线性方程组
A @ x == b：优先用np.linalg.lstsq(A, b)，它内部也用 SVD 但返回残差等诊断信息 - 矩阵来自物理建模且理论上必须可逆：报错反而是好事，说明模型参数或数据有问题，该查条件数、正则化或重采样
- 需要高精度逆运算（如协方差矩阵更新）：考虑添加小量正则项，
np.linalg.inv(A + 1e-8 * np.eye(len(A)))，比pinv()更可控 - 稀疏矩阵：用
scipy.sparse.linalg.lsqr()或spilu()，pinv()会稠密化并爆内存
真正难的不是调用 pinv()，而是判断“这个矩阵到底该不该被当成奇异处理”——看奇异值谱、结合问题背景、检查原始数据质量，比换函数更重要。
