请注意，sp.linalg.orth使用SVD，而np.linalg.qr使用QR分解。这两种分解都是通过LAPACK函数的 Package 器获得的。
我不认为有一个强烈的偏好比其他。SVD将稍微更稳定，但计算起来也会慢一点。在实践中，我不认为你真的会看到太大的区别。

您需要用途：

scipy.linalg.orth(A)

普遍接受的规则是使用scipy。linalg -因为它涵盖了比np更多的功能。linalg.希望有帮助！

numpy的QR算法的缺点是不能处理亏秩矩阵。例如：

import numpy as np
import scipy

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

#use lstsq for verification
beta, *_ = np.linalg.lstsq(A, b, rcond=None)
bproj = A @ beta
array([[1.01782846],
       [2.14262769],
       [3.7844523 ],
       [2.84115002]])

#Try numpy's qr
Q, R = np.linalg.qr(A)
bproj = Q @ Q.T @ b
array([[1.],
       [2.],
       [3.],
       [4.]])
#Q here is a 4x4 orthonormal matrix. However, Col(A) is 3 dimensional.

#With scipy's ortho
Q = scipy.linalg.orth(A)
bproj = Q @ Q.T @ b
array([[1.01782846],
       [2.14262769],
       [3.7844523 ],
       [2.84115002]])