np.linalg.det不支持批量计算，需用np.vectorize封装、显式循环或numba加速；中小批量推荐vectorize，大规模固定尺寸宜手写公式或jit编译。
np.linalg.det 只能算单个矩阵，批量要用向量化技巧
直接对三维数组 np.linalg.det 会报错：LinAlgError: Expected 2D array, got 3D array instead。NumPy 的 det 函数不支持 batch 维度，必须自己拆解或改用底层接口。
用 np.vectorize 包一层是最简方案（适合中小批量）
虽然不是真正向量化，但写法最直白，调试友好，且对几百个 3×3 或 4×4 矩阵性能足够。
- 定义一个接受二维数组的函数：
def det_2d(a): return np.linalg.det(a) - 用
np.vectorize封装：batch_det = np.vectorize(det_2d, signature='(n,n)->()') - 输入形状为
(N, n, n)的数组，输出形状为(N,)的一维结果 - 注意
signature必须写对，否则返回空数组或维度错乱
用 for 循环 + 预分配数组更稳、更易排查
当矩阵尺寸不一致、含奇异矩阵或需捕获警告时，显式循环反而更可控。
- 预分配结果数组：
dets = np.empty(N)，避免 list.append 动态扩容开销 - 用
try/except捕获np.linalg.LinAlgWarning或LinAlgError，把失败项设为np.nan - 对每个
i调用dets[i] = np.linalg.det(matrices[i])，不依赖任何高级封装 - 比
vectorize更容易加日志、断点或条件跳过
真高性能场景得用 numba.jit 或手动 LU 分解
上万量级、固定尺寸（如全是 3×3）时，vectorize 和循环都变瓶颈。此时应绕过 np.linalg.det。
- 对 2×2：直接用公式
a*d - b*c，无函数调用开销 - 对 3×3：手写展开式，用
np.einsum或纯 NumPy 运算，比det快 5–10 倍 - 用
numba.jit(nopython=True)编译带循环的手动实现，支持并行（parallel=True） - 避免在 jit 函数里调用
np.linalg，它不被 numba 支持
批量行列式计算真正的复杂点不在“怎么写”，而在“要不要统一处理失败矩阵”——NaN、inf、警告抑制策略，往往比算法本身更影响下游逻辑。
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！
