np.linalg.svd 默认返回 full_matrices=true 的完整 svd 分解，即对 m×n 矩阵 a 返回 u(m×m)、s(min(m,n),)、vh(n×n)，内存和计算开销大；实际常用 full_matrices=false 得经济型分解：u(m×r)、s(r,)、vh(r×n)，其中 r=min(m,n)。
NumPy 的 np.linalg.svd 默认返回什么？别直接用 U, s, Vh = np.linalg.svd(A)
它确实能跑通，但默认 full_matrices=True，对非方阵会返回超大矩阵——比如 A 是 100×50，U 就是 100×100，浪费内存且拖慢后续计算。实际多数场景（如降维、推荐系统）只需要经济型分解。
- 加参数
full_matrices=False：得到U(100×50),s(50,),Vh(50×50)，空间和计算都更紧凑 -
s是一维数组，不是对角矩阵；要构造 Σ，得用np.diag(s)或更省内存的np.zeros((m,n)); np.fill_diagonal(Σ, s) - 验证重构：
U @ np.diag(s) @ Vh应该和原矩阵A数值一致（容差内），但注意浮点误差累积，别用==直接比
QR 分解选 np.linalg.qr 还是 scipy.linalg.qr？
NumPy 版够用，但有几个硬限制必须知道：
-
np.linalg.qr只支持mode='reduced'和'complete'，不支持'raw'（后者能拿到底层 Householder 向量，对迭代算法有用） - 如果矩阵列数远大于行数（比如 1000×10000），
mode='reduced'返回的Q是 1000×1000，R是 1000×10000；而mode='complete'的Q是 1000×1000，R会补零成 1000×10000 —— 两者R形状一样，但语义不同 - 性能上，NumPy 调的是 LAPACK 的
dgeqrf，和 SciPy 本质一样；除非你要overwrite_a=True原地计算省内存，否则不用切 SciPy
分解后想快速截断（比如只留前 k 个奇异值）？别手动切片再重构
手动做 U[:,:k] @ np.diag(s[:k]) @ Vh[:k,:] 看似直观，但 np.diag(s[:k]) 会生成 k×k 密集矩阵，k=500 时就是 2MB 内存+无谓乘法。更高效的方式是利用广播和向量化：
Uk = U[:, :k] Sk = s[:k] Vhk = Vh[:k, :] # 一行搞定，不显式构造 Σ A_k = Uk @ (Sk * Vhk)
-
Sk * Vhk是 (k,) × (k, n) → 自动广播成 (k, n)，再和 (m, k) 相乘，全程无中间大矩阵 - 如果
k很小（np.linalg.multi_dot([Uk, np.diag(Sk), Vhk])，但通常广播方式更快 - 注意
Vh是共轭转置，所以截断必须取Vh[:k, :]，不是Vh[:, :k]
复数矩阵的 SVD 用法和实数有区别吗？
函数接口完全一样，但结果含义和验证方式容易出错：
-
Vh是V.conj().T，不是简单的转置；验证时必须用U @ np.diag(s) @ Vh，不能写成U @ np.diag(s) @ V.T - 奇异值
s总是非负实数，即使输入是复数；但U和Vh是酉矩阵（U.conj().T @ U≈ I），不是正交矩阵 - 如果用
np.allclose(A, U @ np.diag(s) @ Vh)验证失败，先检查是否漏了.conj()—— 比如手算验证时误把V当实数处理
复数运算本身不慢，但调试时容易在共轭和转置上栽跟头，建议第一次用复数矩阵时，拿一个 2×2 小例子手算对照。
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！
