numpy.linalg.solve最稳妥，仅适用于方阵且系数矩阵可逆；否则用lstsq求最小二乘解，返回四元组，首项为解。
用 numpy.linalg.solve 直接求解最稳妥
只要方程组是方阵且系数矩阵可逆（即满秩），numpy.linalg.solve 就是最直接、最推荐的方式。它底层调用 LAPACK 的 DGESV，数值稳定、速度快，且自动处理浮点精度问题。
常见错误是把系数和常数项拼成一个大矩阵再“手动消元”，这既没必要又容易出错；还有人误用 numpy.linalg.inv 先求逆再乘，这在病态矩阵下会显著放大误差。
- 系数矩阵
A必须是二维ndarray，形状为(n, n)；常数向量b是一维ndarray，长度为n - 如果
A奇异（行列式≈0），solve会抛出LinAlgError: Singular matrix，不能静默返回错误结果 - 示例：
import numpy as np A = np.array([[2, 1, -1], [-3, -1, 2], [-2, 1, 2]]) b = np.array([8, -11, -3]) x = np.linalg.solve(A, b) # 返回 array([2., 3., -1.])
当系数矩阵不是方阵时，改用 numpy.linalg.lstsq
欠定（未知数多于方程）或超定（方程多于未知数）系统无法用 solve，这时本质是在求最小二乘解。注意：lstsq 默认返回的是最小二乘意义下的最优解，不保证精确满足所有方程（除非方程组本身相容）。
容易忽略的点：它的返回值是四元组，真正需要的只是第一个元素 x；第二个是残差平方和，仅当解存在且唯一时才有意义；第三、四个是秩和奇异值，用于诊断矩阵病态程度。
立即学习“Python免费学习笔记（深入）”；
调用 Cutout.Pro 视觉处理 API 进行背景移除、人像抠图和照片增强，支持文件上传与图片 URL 输入。
- 输入
A可以是任意形状(m, n)，b是(m,)或(m, 1) - 若
m （欠定），它返回的是所有最小二乘解中范数最小的那个（即 Moore–Penrose 伪逆解） - 示例（超定）：
A = np.array([[1, 2], [2, 3], [3, 4]]) b = np.array([1, 2, 3]) x, residuals, rank, s = np.linalg.lstsq(A, b, rcond=None) # x ≈ array([-0.5, 0.5])，residuals 是标量残差平方和
验证解是否靠谱，别只看 np.allclose(A @ x, b)
浮点计算总有误差，直接用 == 比较必然失败；但仅用 np.allclose 也不够——它默认容忍相对误差 1e-05 和绝对误差 1e-08，对病态系统可能掩盖严重偏差。
更务实的做法是同时检查残差范数和条件数：np.linalg.cond(A) 超过 1e12 就说明矩阵严重病态，此时即使 A @ x 看似接近 b，解 x 也可能完全不可信。
- 计算残差：
res = np.linalg.norm(A @ x - b)，和np.linalg.norm(b)对比，看相对残差是否在预期量级（比如 - 如果
cond(A)很大，优先考虑重新参数化问题，或换用正则化（如np.linalg.lstsq的rcond参数） - 不要依赖
np.isclose逐元素判断，它对向量整体误差不敏感
符号解？NumPy 不干这事，该上 sympy
NumPy 是数值计算库，所有运算都在浮点域进行。如果你需要带变量的解析解、分式表达、或严格零判断（比如系数含 π 或 √2），numpy.linalg.solve 会立刻转成浮点近似，丢失代数结构。
这时候必须切到符号计算：用 sympy.Matrix 构造增广矩阵，调用 rref() 或 linsolve()。虽然慢，但结果可导出 LaTeX、可代入任意精度数值、可判断自由变量个数。
- 示例：
from sympy import symbols, Matrix x, y, z = symbols('x y z') A = Matrix([[1, 1, 1], [2, -1, 1], [1, 2, -1]]) b = Matrix([6, 3, 2]) sol = A.LUsolve(b) # 返回 Matrix([[1], [2], [3]]) - 混合使用场景：先用 SymPy 推导通解形式，再用 NumPy 做大批量数值代入
数值求解线性方程组真正的难点不在调哪个函数，而在于提前识别矩阵是否病态、是否相容、是否需要正则化——这些判断比写一行 solve 花的时间多得多。
