numpy.linalg.svd结果随点数适合而变化

Question

在为螺旋线安装最合适的线时，numpy.linalg.svd遇到了一些麻烦。我使用以下参数方程式创建了理想的螺旋线：

import numpy as np

def helix(t):
    c = 0.5
    r = 5
    X = r * np.cos(t)
    Y = r * np.sin(t)
    Z = c * t
    return X, Y, Z

为了计算该螺旋的螺旋轴，我通过迭代并绘制t值范围来从螺旋方程生成一些点，并计算了数组的SVD：

value = []
matrix = []
for i in range(0,101):
    value = helix(i)
    matrix.append(value)

array = np.array(matrix)

datamean = list(array.mean(axis=0))
subtracted = array - datamean
uu, ss, vv = np.linalg.svd(subtracted)

对于此螺旋，属于螺旋轴矢量的SVD应该为（0,0,1）。但是，所得的SVD为（-0.00331051，-0.0121754,0.99992）。尽管计算出的向量和（0,0,1）向量之间的差异似乎很小，但是当您围绕其他轴旋转螺旋线时，会导致与真实的螺旋轴的急剧偏差。有趣的是，当我使用1000点而不是100点来定义要为其计算SVD的螺旋时，所得向量实际上是（0,0，-1），这是预期结果。

我的两个问题是：

1）为什么numpy.linalg.svd对于属于同一参数函数的不同点数给出不同的SVD值？

2）如果对1有一个逻辑上的解释，我可以使用其他什么方法来消除这种偏差？我使用短螺旋，需要一种方法来准确计算螺旋的螺旋轴。