我当时正在发布类似主题的问题，并且遇到了另一个更重要的问题。
当我将SVD应用于矩阵“ A”（下面的代码）时，我得到的输出是预期的2维特征向量矩阵（“ U”和“ V”）以及意外的1D奇异值数组“ S” 。
U,S,V=np.linalg.svd(A)
对于上下文：出现意外的原因是奇异值分解应导致三个矩阵的乘积。中间矩阵（在这种情况下为一维数组）应为对角矩阵，并按降序保留非负的奇异值。
Python为什么将矩阵“转换”为数组？有办法解决吗？
谢谢！
答案 0 :(得分：2)
这在docs中已经很清楚了，您会看到：
s：（…，K）数组：每个向量中具有奇异值的向量，它们按降序排序。第一个a.ndim-2维的大小与输入a的大小相同。
所以基本上S只是您提到的矩阵的对角线，即奇异值。您可以使用以下方法从中构造对角矩阵：
np.diag(S)
答案 1 :(得分：2)
使用np.diag（https://docs.scipy.org/doc/numpy/reference/generated/numpy.diag.html）
>>> np.diag([0, 4, 8])
array([[0, 0, 0],
[0, 4, 0],
[0, 0, 8]])