numpy.identity()最适合生成标准方阵单位矩阵，语义清晰、调用简单；需非方阵或偏移对角线时应选numpy.eye()；务必显式指定dtype以防跨库兼容问题。
用 numpy.identity() 生成单位矩阵最直接
如果你只需要一个标准的方阵单位矩阵（主对角线为 1，其余为 0），numpy.identity() 是最贴切的选择。它专为此设计，语义清晰、调用简单，且默认返回 float64 类型，兼容大多数数值计算场景。
常见错误是误用 numpy.eye() 却没意识到二者差异——identity(n) 等价于 eye(n)，但后者还能控制偏移和非方阵，容易多写参数反而出错。
-
numpy.identity(3)直接返回 3×3 单位矩阵，无需指定dtype或k - 若需整数类型，显式传入
dtype=int，否则默认float64可能在后续整数索引或比较中引发隐式转换问题 - 不支持非方阵；要生成 4×5 的“类单位”矩阵（只有左上 4×4 是单位），得换用
numpy.eye(4, 5)
什么时候该用 numpy.eye() 而不是 identity()
当你要的不是严格方阵，或者需要把 1 放在非主对角线位置时，identity() 就不够用了。比如构造带偏移的对角矩阵、提取子空间投影、或适配某些信号处理的脉冲响应模板。
典型误用：想生成 5 行 3 列、前 3 行构成单位块，却写了 identity(5) 导致维度报错。
-
numpy.eye(5, 3)→ 5×3 矩阵，左上 3×3 是单位块，第4–5行全零 -
numpy.eye(4, k=1)→ 4×4 矩阵，第一上对角线为 1（即 (0,1), (1,2), (2,3) 位置） -
k参数为负数可下移对角线，但超出矩阵范围的部分自动截断，不会报错但结果可能不符合直觉
np.ones((n, n)) * np.eye(n) 这种写法纯属多余
有人试图用广播乘法“强化”单位矩阵，比如先造全 1 方阵再乘 eye，这不仅没意义，还浪费内存和时间。NumPy 的 eye 和 identity 返回的是稀疏结构等效的紧凑数组，乘法操作会强制展开并复制数据。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
性能影响明显：对 n=1000，identity(1000) 构造耗时约 3μs；而 ones((1000,1000)) * eye(1000) 耗时超 1.2ms，慢了 400 倍以上，且占用三倍内存。
- 直接用
identity()或eye()，别叠加无谓运算 - 如果后续要加标量偏移（如单位阵加 0.1 噪声），用
identity(n) + 0.1 * randn(n, n)更安全，避免原地修改带来的引用歧义 - 注意
eye和identity返回的都是新数组，不共享输入内存，这点和np.array(..., copy=False)不同
初始化后立即做 dtype 检查，尤其对接 Pandas 或 PyTorch
单位矩阵看似简单，但下游库对数据类型敏感。Pandas DataFrame 从 float64 单位阵构建时，默认列名是数字，但若你传给 PyTorch 的 nn.Linear 权重，float64 会触发警告甚至报错（要求 float32）。
容易被忽略的坑：用 identity(100) 初始化模型权重后训练不动，排查半天才发现是 dtype 不匹配导致梯度为 NaN。
- 明确指定
dtype：如torch.eye(100, dtype=torch.float32)或np.identity(100, dtype=np.float32) - 与 Pandas 配合时，若需整数索引对齐，用
np.identity(n, dtype=int)，避免df.iloc[mat == 1]因浮点精度失效 - 跨库传递前用
arr.dtype快速确认，比看文档更快定位问题
单位矩阵看着简单，但 dtype、形状、是否严格方阵这三个点，任何一个没对齐，后面都可能卡在奇怪的地方。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
