np.linalg.det() 返回标量而非数组，输入须为二维方阵，返回值为float64或complex标量；判断奇异性应避免det==0，改用matrix_rank或svd；大批量计算支持batch mode，复数矩阵需注意虚部清理。
np.linalg.det() 计算的是标量，不是数组
很多人调用 np.linalg.det() 后发现返回值不能直接当矩阵用，比如想对结果做 .shape 或索引，结果报错。这是因为它的返回值是 Python 原生 float（或 complex），不是 ndarray。
- 输入必须是二维方阵（
ndarray，且a.shape[0] == a.shape[1]），否则抛出LinAlgError: Last 2 dimensions of the array must be square - 即使输入是
float32，返回值默认也是float64标量 —— 不继承输入 dtype - 若需保持类型一致，得手动转：比如
float(det_result)或np.float32(det_result)
行列式为 0 不代表矩阵全零，但一定不可逆
np.linalg.det() 返回接近 0 的值（如 1e-16）很常见，尤其当矩阵含浮点数、条件数高时。这不是 bug，而是数值计算的固有误差。
- 别用
det == 0判断是否奇异，改用np.linalg.matrix_rank(a) 或 <code>np.linalg.cond(a)看条件数 - 对单位矩阵稍加扰动：
a = np.eye(3) + 1e-10 * np.random.randn(3, 3)，det可能是0.9999999999999999，但绝不会精确为 1 - 整数矩阵也未必“精确”：
np.linalg.det(np.array([[1, 2], [3, 6]]))理论上是 0，实际可能返回1.7763568394002505e-15
大矩阵用 det 很慢，且数值不稳定
行列式本质是所有排列的带符号乘积和，np.linalg.det() 内部用 LU 分解，时间复杂度约 O(n³)。n 超过 1000 就明显卡顿；n > 5000 基本不建议直接算。
- 如果只是为了判断是否可逆，用
np.linalg.svd(a, compute_uv=False)拿奇异值更稳：只要最小奇异值不接近 0，就可认为满秩 - 如果需要对数行列式（比如概率模型里防下溢），别先算 det 再
np.log()，改用np.linalg.slogdet(a)—— 它返回(sign, logabsdet)，数值范围大得多 - 稀疏矩阵别硬塞给
np.linalg.det()：它会强制转成稠密，内存爆炸。该换scipy.sparse.linalg.splu或迭代估计算法
det 对复数矩阵支持正常，但注意共轭对称性
只要输入是 complex64 或 complex128 的方阵，np.linalg.det() 就能算，结果也是复数标量。
- Hermitian 矩阵（如协方差估计结果）的行列式一定是实数，但浮点误差可能导致虚部为
1e-17j，建议用np.real_if_close(det_result)清理 - 不要对非方阵强行 reshape 成方阵再传入：比如把 (100, 50) 的数据
.reshape(50, 100)，形状对了但语义错乱，det 值无意义 - 批量计算多个小矩阵的行列式？别写 for 循环调
det。改用np.linalg.det()的 batch mode（NumPy ≥ 1.22）：输入 shape 为(..., n, n)，输出自动广播为(...)
数值精度、输入形状、用途替代 —— 这三块不盯紧，np.linalg.det() 很容易给出“看起来对、其实不能信”的结果。
