应优先使用eigen或armadillo等成熟库计算行列式；若手写，须用带部分主元的高斯消元或lapack的dgetrf_，避免浮点误差和原地覆写问题。
用 std::vector 存矩阵时，别直接手写高斯消元求行列式
标准库没有行列式函数，但自己实现不能只图“能跑”——比如对 std::vector<:vector>></:vector> 做原地高斯消元，容易因浮点误差导致结果崩掉（尤其是接近奇异的矩阵）。更稳妥的做法是复用成熟数值库的接口，或至少用带行交换的LU分解。
常见错误现象：determinant = 1e-15 明明是满秩矩阵却算出几乎为零；或者输入整数矩阵却得到带 e-16 尾差的结果。
- 优先考虑
Eigen::MatrixXf::determinant()或arma::det()（Armadillo），它们内部做了 pivoting 和条件数预判 - 若必须手写，用部分主元高斯消元（partial pivoting），每次消元前找绝对值最大的行做交换
- 避免对
float类型矩阵求行列式，double是底线
std::array 固定尺寸矩阵可用递归展开，但只适合小矩阵（≤4×4）
编译期尺寸已知时，比如 std::array<:array>, 3></:array>，可以写 constexpr 函数展开成代数余子式。但超过 4×4 后阶乘爆炸，编译慢且生成代码体积大，运行时也未必比 LU 快。
使用场景：嵌入式环境无第三方库、矩阵尺寸确定且极小、需要编译期常量结果（如模板参数推导）。
- 2×2 直接用
a[0][0]*a[1][1] - a[0][1]*a[1][0] - 3×3 推荐硬编码 Sarrus 法则，比递归调用更清晰
- 4×4 可展开但注意符号交替：余子式前要加
std::pow(-1, i+j)或位运算判断
用 lapack 的 dgetrf_ 求行列式，关键在符号和对角元乘积
底层最常用的是 LAPACK 的 LU 分解，dgetrf_ 把矩阵 A 分解为 P·L·U，其中 P 是置换矩阵。行列式 = det(P) × det(L) × det(U)。由于 L 对角元全为 1，U 是上三角，所以结果就是 U 对角元乘积，再乘上置换次数的符号（奇数次为负）。
容易踩的坑：dgetrf_ 会原地覆写输入矩阵，U 的对角元存在 a[i][i]，但 L 的非对角部分也混在原矩阵里——你不需要提取 L，只要遍历 i 取 a[i][i] 即可。
- 调用前确保数组按列优先（Fortran order）布局，C++ 默认行优先，需手动转置或用
col_major视图 - 返回值
info != 0表示矩阵奇异，此时行列式为 0，别继续乘 - 记得累乘时初始化
det = (pivot_count % 2 == 0) ? 1.0 : -1.0;，再乘每个a[i][i]
Python 用户习惯用 numpy.linalg.det，C++ 里别硬套相同逻辑
NumPy 的 det 底层也是 LAPACK，但封装了内存管理、类型转换和错误提示。C++ 里如果照搬“传个指针进去就完事”的思路，很容易漏掉工作数组分配、leading dimension 设置、或忘记检查 info。
性能影响：反复计算小矩阵行列式时，Eigen 的 determinant() 有模板特化优化；而每次调 dgetrf_ 都要重分配 ipiv 数组，开销明显。
- 高频调用场景下，把
ipiv缓存为成员变量，避免反复new[]/delete[] - 别用
std::valarray或boost::multi_array包装后传给 LAPACK——它们内存不连续，LAPACK 会读错 - 调试时打印
ipiv数组内容，能快速确认是否发生了意外行交换
复杂点在于：行列式本身数值不稳定，同一矩阵换种算法可能差几个数量级；真正该关注的往往是条件数或秩，而不是行列式具体值。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
