本文通过对比 SciPy 与 MATLAB 的 null_space 计算结果，揭示复数矩阵零空间差异的真实原因——并非算法精度缺陷，而是输入矩阵细微不一致（如虚部符号或数值精度）所致，并提供可复现的验证方法与最佳实践。
本文通过对比 scipy 与 matlab 的 `null_space` 计算结果，揭示复数矩阵零空间差异的真实原因——并非算法精度缺陷，而是输入矩阵细微不一致（如虚部符号或数值精度）所致，并提供可复现的验证方法与最佳实践。
在科学计算中，零空间（Null Space）是线性代数的核心概念之一，广泛应用于信号处理、量子力学、控制系统等领域。当矩阵含复数元素时，开发者常发现 SciPy 的 scipy.linalg.null_space 与 MATLAB 的 null(A) 返回看似不一致的结果，进而怀疑数值精度或实现可靠性。但事实往往更简单：差异通常源于输入矩阵本身未严格一致，而非算法缺陷。
以下是一个典型示例。给定一个 $3 \times 4$ 复数矩阵 $A$（已处于行最简形，秩为 3）：
import numpy as np
from scipy.linalg import null_space
A = np.array([
[1.0 + 0.j, 0.0 + 0.j, 0.0 + 0.j, -0.28867513 + 0.5j],
[0.0 + 0.j, 1.0 + 0.j, 0.0 + 0.j, -0.28867513 - 0.5j],
[0.0 + 0.j, 0.0 + 0.j, 1.0 + 0.j, 0.57735027 + 0.j]
])
SciPy 计算出的零空间向量（单位范数）为：
v_scipy = null_space(A).flatten() # shape (4,) # 输出近似：[ 0.2424-0.3285j, 0.1633+0.3742j, -0.4057-0.0456j, 0.7027+0.0790j]
而若 MATLAB 返回 [0.2235-0.3134i; 0.1596+0.3502i; -0.4151+0.2949i; 0.6636+0.0639i]，乍看不共线——但关键在于：必须用同一份精确矩阵验证二者是否真正满足 $A\mathbf{v} = \mathbf{0}$。
我们直接验证：
v_matlab = np.array([0.2235 - 0.3134j,
0.1596 + 0.3502j,
-0.4151 + 0.2949j,
0.6636 + 0.0639j])
print("A @ v_scipy ≈", A @ v_scipy) # ~1e-9 —— 数值零（合格）
print("A @ v_matlab ≈", A @ v_matlab) # 第三行高达 ~0.3 —— 显著非零（不合格）
输出表明：v_scipy 精确满足零空间定义（残差在机器精度内），而 v_matlab 对当前 A 并不成立。进一步比对两向量逐元比值 v_scipy / v_matlab 可发现：前三维比值近似恒定（~1.06 + 0.017j），但第三维剧烈偏离——这强烈暗示：MATLAB 实际接收的矩阵，其右下角元素（即 $a_{34}$）虚部可能为 -0.5j 而非 +0.j。微小的输入差异（如 0.57735027+0.j vs 0.57735027-0.5j）会彻底改变零空间方向。
✅ 正确做法：
-
始终导出并比对原始矩阵的完整十六进制浮点表示（如
np.array2string(A, precision=16)），而非依赖打印截断； - 使用
np.allclose(A_scipy, A_matlab, atol=1e-15)严格校验输入一致性； - 零空间本质是子空间，任一非零标量倍（尤其是模为 1 的复数因子 $e^{i\theta}$）均等价；因此应检验 $A\mathbf{v} \approx \mathbf{0}$，而非直接比对向量分量。
⚠️ 注意事项：
- SciPy 的
null_space基于 SVD（scipy.linalg.svd），对复数矩阵完全支持，精度与 MATLABnull（同样基于 SVD）相当； - 不要依赖
print()默认精度（通常仅显示 8 位小数），复数虚部符号或末位误差极易被忽略； - 若需跨平台复现，建议将矩阵保存为
.npy或 HDF5 文件共享，避免文本转换失真。
总结：当遇到 SciPy 与 MATLAB 零空间结果不一致时，请优先质疑输入——而非算法。通过残差验证（$A\mathbf{v}$）和输入一致性检查，99% 的“精度问题”可迅速定位为数据同步疏漏。严谨的数值工作流，始于对每一个浮点数的敬畏。
