自己动手写施密特正交化

import numpy as np
A = np.array([[1,1,0],[0,1,1],[1,0,1]],dtype=float)
Q = np.zeros_like(A)
m = shape(Q)[0]
n = shape(Q)[1]
cnt = 0
for a in A.T:
    u = np.copy(a)
    for i in range(0, cnt):
        u -= np.dot(np.dot(Q[:, i].T, a), Q[:, i]) # 减去待求向量在以求向量上的投影
    e = u / np.linalg.norm(u)  # 归一化
    Q[:, cnt] = e
    cnt += 1
print Q

以上是自己写的，也可以调用scipy

from scipy import linalg
A = np.array([[1,1,0],[0,1,1],[1,0,1]])
a = linalg.orth(A)
print array(linalg.orth(A),dtype=float)
print dot(A,A.T)-1

施密特正交化的原理就不在此赘述了，可以自己从网上找一些线性代数的教材看一看，并且自己动手做一下，就可以理解了