<p>numpy.linalg.svd 是 NumPy 中唯一推荐的 SVD 函数，返回 U、s（一维数组）、Vh 三元组；s 非方阵是为节省内存并适配截断需求，重建时推荐 (U * s) @ Vh 而非 U @ np.diag(s) @ Vh 以避免冗余内存开销。</p>
numpy.linalg.svd 是 NumPy 中做 SVD 分解的唯一推荐函数，它返回 U、s、Vh 三部分，不是 U、S、V.T 的“教科书形式”——这点不注意会直接导致矩阵乘法还原失败。
为什么 svd 返回的 s 不是方阵？
NumPy 默认返回的是奇异值一维数组 s，而非对角矩阵 S。这是为了节省内存和适配不同计算场景（比如只取前 k 个奇异值）。如果你需要重建原始矩阵，得手动用 np.diag(s) 或更高效地用 np.outer / np.einsum 拼接，但更常见、更安全的做法是用 full_matrices=False 配合广播规则还原：
-
U是m × min(m,n)，Vh是min(m,n) × n，s是长度为min(m,n)的向量 - 还原时写成
U @ np.diag(s) @ Vh可行，但构造np.diag(s)会临时生成一个min(m,n) × min(m,n)矩阵，大矩阵下浪费内存 - 推荐用
(U * s) @ Vh：利用广播，U形状为(m, k)，s为(k,)，U * s是逐列缩放，再右乘Vh，零额外内存开销
如何控制输出矩阵大小（full_matrices 参数）
这个布尔参数决定 U 和 Vh 是否补零到“完整正交基”。默认是 True，但绝大多数实际用途（如降维、推荐系统、图像压缩）都该设为 False：
-
full_matrices=True（默认）：U是m × m，Vh是n × n—— 对m=10000的矩阵，U就占约 800MB 内存（float64） -
full_matrices=False：U是m × k，Vh是k × n，其中k = min(m,n)，内存和计算量大幅下降 - 只有在需要完整左/右奇异向量（例如某些数值分析验证）时才用
True
遇到 LinAlgError: SVD did not converge 怎么办
这不是数据问题，而是底层 LAPACK 实现对病态矩阵或低秩近似失败的报错。常见于含大量零、重复行/列，或 dtype 为 float32 且条件数高的矩阵：
立即学习“Python免费学习笔记（深入）”；
- 先检查
A.dtype，强制转成float64：用A.astype(np.float64)再调用svd - 对稀疏或含零多的矩阵，提前中心化或标准化（如减均值、除标准差），有时能改善收敛性
- 若只需前 k 个奇异值/向量，别用完整
svd，改用scipy.sparse.linalg.svds（支持k ）或 <code>sklearn.decomposition.TruncatedSVD - 极少数情况可加小扰动：
A += np.random.normal(0, 1e-12, A.shape)，仅用于调试，不可用于生产数据
真正容易被忽略的是：SVD 结果的符号不确定性——U 和 Vh 的对应列可能整体变号，不影响分解正确性，但会导致多次运行结果不一致；如果后续依赖向量方向（如聚类、可视化），需手动对齐符号（例如让每列第一个非零元为正）。
