Python库numpy中的svd分解和Matlab中的svd的一点区别

下面是两个测试，同样的数据，不同的版本，请诸君仔细看来：

1.Matlab版SVD分解

H = [3.16991321031250,52.4425641326457,2.73475152482102;-8.76695007100685,43.4831885343255,-37.1705395356264;-1.59218748085971,-24.3510937156625,12.8339630267640];

[U,S,V] = svd(H);

得出来的结果

U =

0.6124 0.7695 -0.1814

0.7073 -0.6357 -0.3091

-0.3531 0.0610 -0.9336

V =

-0.0479 0.2651 0.9630

0.9249 0.3759 -0.0575

-0.3772 0.8880 -0.2631

S =

77.2740 0 0

0 29.8639 0

0 0 3.7601

2.Python版SVD分解

from numpy import *

def test():
Base = array([[1.92028349427775,0.938200267748656,8.61139811393332,6.71431139674026,3.47712671277525,2.62145317727807,2.42785357820962,3.59228210401861],[1.38874202829155,5.25404403859336,4.84853333552102,7.41257943454207,1.49997253831683,0.444540922782385,4.42402313001943,7.36340074301202],[6.96266337082995,5.30344218392863,3.93456361215266,5.20052467390387,5.86092067231462,7.54933267231179,6.87796085120107,3.94707475278763]])
U, S, V = linalg.svd(H)

if __name__=='__main__':
test()

得出的结果
U =

array([[ 0.61236946, 0.7694889 , -0.18135734],

[ 0.70732576, -0.63574186, -0.30906725],

[-0.35312027, 0.06098463, -0.93358821]])

V =

array([[-0.04785176, 0.92488861, -0.37721515],

[ 0.26505669, 0.37586648, 0.88795796],

[ 0.96304473, -0.05749305, -0.26313379]])

S =

array([ 77.27402814, 29.86391746, 3.76009282])

请注意，两者得出的U和S都是一致的，但是得出的V却是转置关系！！
在科学研究中，这不算是一个是个大问题，可是这一个小小的转置却给我带来了非常大的麻烦，这个svd分解只是我代码中很小的一部分，但是就是这个“转置”，浪费了我很多时间。
Python是一个伟大的语言，扩展之丰富那可谓“只有你想不到的，没有他不存在的！”，可是有时候多反而会闲的稍显杂乱，例如科学计算中我们经常用到numpy和scipy这两个库，可是这两个库却存在着大量相同的函数，你有你的numpy.pi，我有我的scipy.pi，你有求逆，我也有求逆，你又svd，我也有。。。重复的却标准不统一便造成了极大的不便。