应优先使用 np.linalg.solve(A, b) 求解线性方程组 $Ax = b$，因其基于带主元 LU 分解，比 np.linalg.inv(A) @ b 更快、更稳定；要求 A 为方阵且满秩，b 形状需匹配，否则抛出 LinAlgError。
numpy.linalg.solve 是求解形如 Ax = b 的线性方程组最直接、最推荐的方式，前提是 A 是方阵且非奇异（可逆）。别用 inv 手动算逆矩阵——慢、数值不稳定、还容易出错。
什么时候该用 numpy.linalg.solve？
你手头有明确的系数矩阵 A（ndarray，形状为 (n, n)）和右侧常数向量 b（形状为 (n,) 或 (n, 1)），目标是求唯一解 x。这是最常见、最干净的场景。
-
A必须是二维、方阵；b必须是一维或列向量（shape == (n,)或(n, 1)） - 如果
A接近奇异（条件数很大），solve会发出LinAlgWarning，但不会报错——结果可能严重失真，得自己检查np.linalg.cond(A) - 它内部调用 LAPACK 的
dgesv（双精度）等例程，比手动np.linalg.inv(A) @ b快 2–3 倍，精度也更高
遇到 LinAlgError: Singular matrix 怎么办？
说明 A 不可逆，方程组无唯一解：要么无解，要么有无穷多解。此时 solve 直接抛异常，不给你模糊结果。
- 先用
np.linalg.matrix_rank(A)看秩；再对比A.shape[0]—— 若秩不足，就不是满秩方阵 - 想求最小二乘解（哪怕不满秩），改用
np.linalg.lstsq(A, b, rcond=None)，它返回解、残差、秩、奇异值 - 如果确定是欠定（变量多于方程），且想要一个特定解（比如范数最小的），
lstsq默认就返回最小二乘最小范数解；也可用np.linalg.pinv(A) @ b，但更慢
np.linalg.solve 和 np.linalg.lstsq 参数差异在哪？
两者输入看起来相似，但语义和默认行为不同，混用容易误解结果。
立即学习“Python免费学习笔记（深入）”；
-
solve(A, b)：严格要求A可逆，只返回唯一解x；b必须能广播成匹配形状 -
lstsq(A, b, rcond=None)：不要求A方阵或满秩；返回四元组，其中第一个才是解；rcond控制奇异值截断，默认None（即用机器精度），设为-1可禁用警告 - 当
A恰好方阵且满秩时，两者结果在数值误差内一致；但lstsq多一步 SVD 分解，开销更大
实际写代码时，先用 solve；报错后再切到 lstsq 并检查返回的秩和残差。别一开始就默认用 lstsq——它解决的是更广的问题，代价也更高。
