如何利用Python NumPy的linalg子模块求解线性方程组？

应优先使用 np.linalg.solve(A, b) 解决线性方程组 $Ax = b$，因为它是基于带主元的 LU 分解，比 np.linalg.inv(A) @ b 更快、更稳定；要求 A 为方阵而满，b 形状需要匹配，否则抛出 LinAlgError。

numpy.linalg.solve 是求解形如 Ax = b 线性方程组最直接、最推荐的前提是 A 是方阵，不奇怪(可逆)。不要使用它。 inv 手动计算逆矩阵-慢，数值不稳定，也容易出错。

你手头有一个清晰的系数矩阵 A（ndarray，形状为 (n, n)）常数向量和右侧 b（形状为 (n,) 或 (n, 1)），目标是寻求唯一的解决方案 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 接近奇怪(条件数很大)，solve 会发出 LinAlgWarning，但不会报错——结果可能严重失真，必须自行检查 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

说明 A 不可逆转，方程组没有唯一的解决方案：要么没有解决方案，要么有无限的解决方案。此时， solve 直接抛异常，不要给你模糊的结果。

• 先用 np.linalg.matrix_rank(A) 看秩序；再比较一下 A.shape[0] —— 如果秩序不足，就不会满足方阵
• 想要最小的二乘解(即使不满)，改用 np.linalg.lstsq(A, b, rcond=None)，它返回解，残差，秩，奇异值
• 若确定为欠定(变量大于方程)，并且想要一个特定的解决方案(如范数最小)，lstsq 默认情况下返回最小二乘最小范数解；也可以使用 np.linalg.pinv(A) @ b，但更慢

这两种输入看起来很相似，但语义和默认行为不同，混用时容易误解结果。

Python 3.14.2

Python 3.14.2是Python编程语言于2025年12月5日发布的稳定版本，属于3.14系列的第二次维护更新。该版本包含18个修复项目，重点解决多过程、数据和正则表达模块的回归问题，修复CVE-2025-12084等安全漏洞。这个版本标志着Python发展的一个重要里程碑，即自由线程模式(删除GIL)正式得到官方支持。

立即学习“Python免费学习笔记(深入)；

• solve(A, b)：严格要求 A 可逆，只回到唯一的解决方案 x；b 必须能够广播成匹配的形状
• lstsq(A, b, rcond=None)：不要求 A 方阵或满秩；回到四元组，第一个是解；rcond 控制奇异值截断，默认情况下 None(即机器精度)，设置为 -1 可禁用警告
• 当 A 正好方阵满了，两者的结果在数值误差内是一致的；但是 lstsq 多一步 SVD 分解，成本更高

实际编写代码时，先使用 solve；报错后再切 lstsq 并检查返回的秩序和残差。不要一开始就默认使用 lstsq——它解决了更广泛的问题和更高的成本。