通过LU分解计算NumPy行列式

通过LU分解计算NumPy行列式 | AI生成和翻译

首页 2026.07

问题：numpy 如何计算矩阵的行列式，其底层算法是什么？

答案：np.linalg.det 并不使用余子式展开（那是 O(n!)）。它使用的是 LU 分解——将 A 分解为 PLU，然后 det(A) = det(P) det(L) det(U)。由于 L 是单位下三角矩阵（det=1），U 是上三角矩阵，det(U) 等于对角线元素的乘积。det(P) 根据置换的奇偶性为 ±1。

import numpy as np
from scipy.linalg import lu

A = np.array([[4., 3., 2.],
              [1., 5., 6.],
              [7., 8., 9.]])

print(np.linalg.det(A))  # -55.0000...

# 底层发生了什么
P, L, U = lu(A)
print(np.diag(U))                     # U 的对角线
sign = np.linalg.det(P)               # ±1，置换奇偶性
det = sign * np.prod(np.diag(U))
print(det)

在底层，numpy 调用 LAPACK 的 dgetrf（双精度）或 sgetrf（单精度）进行带部分主元的 LU 分解，计算复杂度为 O(n³)，而余子式展开是 O(n!)。这就是为什么 1000x1000 的行列式可以瞬间算出。

实际中你会遇到的一个陷阱：浮点数。LU 主元选择会导致微小数值误差累积，因此对一个真正奇异的矩阵，det 可能返回 1e-14 而不是精确的 0。请使用容差判断，而非 == 0：

if abs(np.linalg.det(A)) < 1e-10:
    print("singular")

对于对数行列式（常见于 GMMs、Gaussian processes、normalizing flows——避免大矩阵下溢/溢出），请改用 np.linalg.slogdet，它会分别跟踪符号和 log det ：

sign, logdet = np.linalg.slogdet(A)

参考：

返回捐助