因为矩阵行列式为0，没有数学意义上的逆矩阵，NumPy拒绝计算——这不是bug而是正确行为；常见于特征重复、列线性相关、欠定系统或条件数过大（>1e16）导致数值不稳定。
为什么 numpy.linalg.inv() 会报 LinAlgError: Singular matrix
因为矩阵行列式为 0，没有数学意义上的逆矩阵。NumPy 拒绝计算——这不是 bug，是正确行为。常见于：特征向量重复、数据列完全线性相关（比如两列一模一样）、欠定系统（行数
用 numpy.linalg.pinv() 替代求“伪逆”
当你要的是最小二乘解（比如做线性回归、求解 Ax = b），pinv() 是最直接的替代方案。它基于 SVD，对奇异/非方阵都安全：
import numpy as np A = np.array([[1, 2], [2, 4]]) # 显然奇异（第二行是第一行的2倍） A_pinv = np.linalg.pinv(A) # 不报错，返回 Moore-Penrose 伪逆 x = A_pinv @ np.array([3, 6]) # 解出一个最小范数解
-
pinv()默认使用rcond=1e-15判定奇异值是否截断；若数值噪声大，可适当调高（如rcond=1e-10） - 结果不满足
A_pinv @ A == I，但满足A @ A_pinv @ A == A等伪逆性质 - 比
inv()慢，尤其对大矩阵；SVD 开销不可忽略
检查秩和条件数，提前预警
别等 inv() 崩溃才处理。先用 np.linalg.matrix_rank() 和 np.linalg.cond() 评估矩阵健康度：
A = np.random.randn(100, 100)
A[:, 0] = A[:, 1] # 强制一列冗余
print("Rank:", np.linalg.matrix_rank(A)) # 输出 99，而非 100
print("Cond:", np.linalg.cond(A)) # 可能 > 1e16，说明病态- 秩
- 条件数 > 1e12 通常意味着数值不稳定，即使
inv()不报错，结果也可能严重失真 - 注意：
matrix_rank()默认用tol=None，对浮点误差敏感；必要时传入显式tol
从源头避免构造奇异矩阵
很多奇异问题来自数据或建模方式本身，不是 NumPy 的锅：
立即学习“Python免费学习笔记（深入）”；
- 做多元线性回归前，用
np.corrcoef(X.T)查看特征间相关性，剔除高度共线的列 - PCA 或
sklearn.decomposition.TruncatedSVD降维后再构建设计矩阵 - 正则化：在求解时改用
np.linalg.solve(A.T @ A + λ * np.eye(n), A.T @ b)（岭回归形式），λ > 0 强制可逆 - 用
scipy.linalg.pinv2()（基于 SVD）或scipy.linalg.lstsq()（更稳定地解最小二乘）替代手写伪逆
真正棘手的不是怎么绕过错误，而是判断当前场景下“伪逆”是否语义合理——比如在求协方差矩阵逆用于马氏距离时，强行用 pinv() 可能掩盖特征工程缺陷。
