矩阵数值的线性分解：基于方程组求解的规范重构方法-Python教程-PHP中文网

矩阵数值的线性分解：基于方程组求解的规范重构方法

本文介绍如何将稀疏矩阵中非空数值唯一分解为“行分量+列分量”之和，并通过构建与求解线性方程组，生成满足全局一致性约束的扩展矩阵结构。

本文介绍如何将稀疏矩阵中非空数值唯一分解为“行分量+列分量”之和，并通过构建与求解线性方程组，生成满足全局一致性约束的扩展矩阵结构。

在矩阵分析与数据重构任务中，常需对稀疏矩阵中的有效数值进行可解释的分解——例如，将每个非空元素 $ a_{ij} $ 表达为对应行偏置 $ r_i $ 与列偏置 $ cj $ 的和：
$$ a{ij} = r_i + cj \quad \text{（当 } a{ij} \neq \text{None）} $$
该约束本质上构成一个欠定线性系统：未知数为所有行偏置 $ r_0, r1, \dots, r{m-1} $ 和列偏置 $ c_0, c1, \dots, c{n-1} $（共 $ m+n $ 个），而方程数仅等于非空元素个数（本例为 6）。为获得唯一解，需引入正则化策略——最直接有效的方式是补全方程组使其满秩，再用数值线性代数工具求解。

以下为完整实现流程：

✅ 步骤一：构建系数矩阵与右侧向量

遍历原矩阵，对每个非空元素 matrix[i][j] = val，生成一行方程：

系数向量在第 i 位为 1（对应 $ r_i $），在第 m+j 位为 1（对应 $ c_j $），其余为 0；
右侧值为 val。

import numpy as np
from copy import deepcopy

matrix_aux = [
    [None, 6, None, 9],
    [9, None, 3, None],
    [None, 5, 4, None]
]

m, n = len(matrix_aux), len(matrix_aux[0])
# 初始化 (m+n) × (m+n) 系数矩阵和长度为 (m+n) 的右侧向量
A = np.zeros((m + n, m + n))
b = np.zeros(m + n)

eq_idx = 0
for i in range(m):
    for j in range(n):
        if matrix_aux[i][j] is not None:
            A[eq_idx, i] = 1.0      # r_i 系数
            A[eq_idx, m + j] = 1.0  # c_j 系数
            b[eq_idx] = matrix_aux[i][j]
            eq_idx += 1

# 补充 (m+n - eq_idx) 个单位方程，确保 A 可逆（正则化）
for k in range(eq_idx, m + n):
    A[k, k] = 1.0
    b[k] = np.random.randint(1, 6)  # 随机小整数，不影响主解结构

⚠️ 注意：补充的单位方程仅用于数值稳定性，其对应变量（如多余的 $ r_i $ 或 $ c_j $）实际不参与原始约束，但能保证 np.linalg.solve 返回唯一解。实践中也可使用 np.linalg.lstsq 求最小二乘解，避免人工补方程。

✅ 步骤二：求解并构造扩展矩阵

调用 np.linalg.solve 得到解向量 x，前 m 个元素为行偏置 $ [r_0, r1, ..., r{m-1}] $，后 n 个为列偏置 $ [c_0, c1, ..., c{n-1}] $。据此构造结果矩阵：

x = np.linalg.solve(A, b)
r = x[:m]   # 行分解值（将填入新增列）
c = x[m:]   # 列分解值（将填入新增行）

# 深拷贝原矩阵并添加一列
result = deepcopy(matrix_aux)
for row in result:
    row.append(None)  # 占位，后续填充

# 添加新行（含 n 个列偏置）
result.append([None] * n)

# 填充：每行末尾填入对应 r_i；最后一行各列填入对应 c_j
for i in range(m):
    result[i][-1] = round(r[i], 6)  # 保留精度，必要时转 int
for j in range(n):
    result[-1][j] = round(c[j], 6)

# 输出验证
for row in result:
    print([f"{x:6.1f}" if isinstance(x, (int, float)) else "  None" for x in row])

运行后可得类似如下结果（数值因随机补项略有浮动，但严格满足 $ a_{ij} = r_i + c_j $）：

['  None', '   6.0', '  None', '   9.0', '   4.0']
['   9.0', '  None', '   3.0', '  None', '   2.0']
['  None', '   5.0', '   4.0', '  None', '   3.0']
['   7.0', '   2.0', '   1.0', '   5.0', '  None']

✅ 验证示例：