Scipy具有LU分解功能：scipy.linalg.lu。请注意，这还会P在混合中引入置换矩阵。这个答案很好地解释了为什么会发生这种情况。
如果您特别需要LDU，则可以对U矩阵进行归一化以提取出D。
您可以按照以下方式进行操作：
>>> import numpy as np
>>> import scipy.linalg as la
>>> a = np.array([[2, 4, 5],
[1, 3, 2],
[4, 2, 1]])
>>> (P, L, U) = la.lu(a)
>>> P
array([[ 0., 1., 0.],
[ 0., 0., 1.],
[ 1., 0., 0.]])
>>> L
array([[ 1. , 0. , 0. ],
[ 0.5 , 1. , 0. ],
[ 0.25 , 0.83333333, 1. ]])
>>> U
array([[ 4. , 2. , 1. ],
[ 0. , 3. , 4.5],
[ 0. , 0. , -2. ]])
>>> D = np.diag(np.diag(U)) # D is just the diagonal of U
>>> U /= np.diag(U)[:, None] # Normalize rows of U
>>> P.dot(L.dot(D.dot(U))) # Check
array([[ 2., 4., 5.],
[ 1., 3., 2.],
[ 4., 2., 1.]])
演示如何执行规范化将很有用。
@ user2357112完成。
这看起来像是最好的内置函数，但是令人失望的是，它为输入提供了一个非身份置换矩阵，看起来它可以在没有一个的情况下进行LU分解。