用 numpy.linalg.solve 求解稠密方程组最直接，但需先用 numpy.linalg.cond(A) 检查条件数防失真；稀疏矩阵必须转 scipy.sparse 格式并用 spsolve；对称正定宜用 Cholesky 分解；输入 b 需为 1D 或 (n,1) 形状；内存超限时优先选 lstsq 或分块 QR；验证解须查后向误差与扰动敏感度。
用 numpy.linalg.solve 求解稠密方程组最直接，但内存和条件数会卡死你
如果系数矩阵 A 是中小型（比如 numpy.linalg.solve(A, b) 就是首选。它底层调用 LAPACK 的 dgesv（双精度），数值稳定、速度快。
但注意：它会**原地复制并分解 A**，内存占用约是 A 的 2–3 倍；若 cond(A) > 1e12，结果可能完全失真——建议先用 numpy.linalg.cond(A) 快速探查。
- 别对稀疏矩阵硬套
solve：内存爆炸，改用scipy.sparse.linalg.spsolve - 若
A是对称正定，显式传assume_a="pos"给numpy.linalg.solve无用（它不识别该参数），应换numpy.linalg.cholesky+ 手动前/后代入 - 输入
b必须是 1D 或列向量形状（(n, 1)），否则解出的x维度错乱
大规模稀疏方程组必须转 scipy.sparse，numpy 本身不支持
numpy 没有稀疏矩阵求解器。一旦 A 是稀疏的（比如来自 PDE 离散或图计算），立刻导出为 scipy.sparse.csr_matrix 或 csc_matrix，再调用 scipy.sparse.linalg.spsolve。
关键点：CSR 适合行访问（如矩阵-向量乘），CSC 适合列访问；spsolve 内部自动选最优格式，但**输入前务必用 .tocsr() 或 .tocsc() 显式转换**，避免重复隐式转换开销。
立即学习“Python免费学习笔记（深入）”；
- 不要用
np.array存稀疏矩阵再喂给spsolve：会触发全量稠密化，OOM 直接报错 - 若矩阵太大无法一次性加载，考虑迭代法（如
scipy.sparse.linalg.cg），但需提供预处理子（M参数）否则收敛极慢 -
spsolve不检查奇异，若返回LinAlgError，大概率是矩阵 rank-deficient，用scipy.sparse.linalg.lsqr求最小二乘解更鲁棒
内存超限时，别硬扛——改用 numpy.linalg.lstsq 或分块 QR
当 A 太大导致 solve 或 spsolve 内存不足，且你无法加机器内存时，有两个务实路径：
-
numpy.linalg.lstsq(A, b, rcond=None)在欠定/超定/病态场景下更宽容，内部用 SVD，能返回有效秩和残差；设rcond=1e-10可抑制小奇异值干扰 - 若必须精确解且
A可分块（如带状、分块三对角），手写分块 LU 或用scipy.linalg.qr_multiply做内存友好的 QR 分解，避免构造完整Q矩阵 - 警惕
lstsq的默认rcond=None：在 NumPy ≥ 1.14 中等价于rcond=-1（自动推断），但旧版本会警告甚至报错，显式设值更稳妥
验证解是否靠谱，光看 np.allclose(A @ x, b) 不够
残差小（A @ x - b 范数小）只说明解满足方程，不说明它没被病态放大。真正要检查的是**后向误差**和**解的敏感度**：
- 算相对残差：
np.linalg.norm(A @ x - b) / np.linalg.norm(b)，应 - 估算条件数影响：
np.linalg.cond(A) * np.finfo(float).eps是解的理论相对误差下界，若该值 > 1e-3，结果基本不可信 - 对
b加微扰（如b + 1e-10 * np.random.randn(len(b))），重解看x是否剧烈抖动——抖动大就是病态铁证
实际项目里，最容易被跳过的就是条件数检查和扰动验证，而这恰恰是线上服务突然返回 NaN 或离谱值的根源。
