您提供的矩阵m具有0的行列式，因此从数值的Angular 来看是不可逆的（这解释了您具有的大值往往会碰撞到Inf）：

In [218]: np.linalg.det(m)
Out[218]: 2.8479946613617788e-16

字符串
如果你开始做线性代数运算/解决问题，我强烈建议检查一些基本概念，这将避免数字错误/错误：https://en.wikipedia.org/wiki/Invertible_matrix

你面临着一个非常重要和基本的数学问题。如果你的方法给出了不可逆矩阵，那么这个方法就有麻烦了。这个方法试图解决一个ill-posed problem。可能所有的适定性问题在十九世纪都已经解决了。解决不适定问题的最常见方法是：提出的问题是regularization。有时Moore-Penrose pseudoinverse可能是方便的。Scipy.linalg有伪逆。但伪逆不是一个捷径。使用伪逆你取代非-可解问题A被可解问题B所替代。有时候，问题B的解可以成功地代替问题A的不存在的解，但这是一个数学研究的问题。

零行列式意味着您的矩阵具有线性相关的行（或列）。换句话说，模型中的某些信息是冗余的（它包含过多或重复的信息）。重新开发模型以排除冗余。

计算协方差并求逆like here

import numpy as np
from scipy.spatial.distance import mahalanobis,euclidean
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

X = np.array([[ 0.46811097,  0.15024959,  0.01806486, -0.03029948, -0.12472314, -0.11952018, -0.14738093, -0.14655549, -0.06794621],
 [ 0.15024959 , 0.19338707, 0.09046136, 0.01293189, -0.05290348, -0.07200769, -0.09317139, -0.10125269, -0.12769464],
 [0.01806486, 0.09046136, 0.12575072, 0.06507481, -0.00951239, -0.02944675, -0.05349869, -0.07496244, -0.13193147],
 [-0.03029948, 0.01293189, 0.06507481, 0.12214787, 0.04527352, -0.01478612, -0.02879678, -0.06006481, -0.1114809 ],
 [-0.12472314, -0.05290348, -0.00951239, 0.04527352, 0.164018, 0.05474073, -0.01028871, -0.02695087, -0.03965366],
 [-0.11952018, -0.07200769, -0.02944675, -0.01478612, 0.05474073, 0.13397166, 0.06839442, 0.00403321, -0.02537928],
 [-0.14738093, -0.09317139, -0.05349869, -0.02879678, -0.01028871, 0.06839442, 0.14424203, 0.0906558, 0.02984426],
 [-0.14655549, -0.10125269, -0.07496244, -0.06006481, -0.02695087, 0.00403321, 0.0906558, 0.17054466, 0.14455264],
 [-0.06794621, -0.12769464, -0.13193147, -0.1114809, -0.03965366, -0.02537928, 0.02984426, 0.14455264, 0.32968928]])

cov = np.cov(X, rowvar=False)
covI = np.linalg.inv(cov)
# mean=np.mean(X)
md = mahalanobis(X[0], X[1], covI)

# compare with PCA
pca = PCA(whiten=True)      # !! When True (False by default) the components_ vectors are multiplied by the square root of n_samples and then divided by the singular values to ensure uncorrelated outputs with unit component-wise variances.
X_transformed= pca.fit_transform(X)

print('Mahalanobis distance: '+str(md))
print('Euclidean distance: '+str(euclidean(X_transformed[0],X_transformed[1])))

## Mahalanobis distance: 4.094095146671607
## Euclidean distance: 3.999999999999999

字符串
或者可以将它与 * Cholesky分解 * 算法here和数学OR一起使用，另一种方法是使用cho_factor，cho_solve函数，这比计算显式逆矩阵更有效。但是Cholesky分解只能应用于其quadratic form中的平方正定矩阵-ensure this
p.s. mahalanobis distance vs. euclidean，或在此：
数据点之间的平方Mahalanobis距离与对数据的主成分计算的加权平方Euclidean距离成正比。权重为1/成分的特征值
我想可能会有一些不匹配，由于不稳定的手动逆矩阵。
p.p.s. PCA for image analysis. N.B.使用SVD分解，您可以始终检查 * 冗余参数 *（或LinRegr中的相互依赖特征）的存在-请参阅S的zero eigenvalues，以消除它们（以及与它们相关的特征向量）用于MLR，或者可能以某种方式将它们用于图像分析。