矩阵与线性变换：矩阵是在移动整个空间
这一页在记什么
这一集是整个系列的核心枢纽。
最重要的改观是：
矩阵的每一列，记录的是一个基向量被变换后的位置。只要知道基向量去了哪里，就知道整个空间里所有向量会去哪里。
这一集真正解决的困惑
矩阵初学时最容易被看成一个“数字容器”：
然后我们被要求会做矩阵乘法、求逆、算行列式、解方程组。问题是：如果矩阵只是四个数，为什么它会和空间、方程组、几何变换扯上关系？
这一集给出的答案是：
矩阵不是空间动作本身，而是这个动作的“坐标记录”。它记录的不是所有点怎么动，而是基向量怎么动。神奇之处在于：由于线性性质，只要知道基向量怎么动，就能推断所有向量怎么动。
从函数到线性变换
变换就是“向量进，向量出”的函数
普通函数可以是
区别在于，我们不是只关心某个点的输出，而是关心整个空间如何被重新安排：
- 有些点被拉远；
- 有些方向被压缩；
- 有些区域被剪切；
- 有些空间被压扁到低维。
为什么要强调“线性”
线性变换必须尊重两件事：
这意味着：如果一个向量原本是由若干基向量拼出来的，那么变换之后，它仍然由“变换后的基向量”按同样系数拼出来。
这就是矩阵能工作背后的秘密。
网格图像只是线性的可视化版本
二维图中，线性变换表现为：
- 直线仍变成直线；
- 平行线仍保持平行；
- 原点不移动。
这很好记，但别把它当成唯一理解。更本质的是：它保持加法和数乘结构。
基向量决定整个变换
任意向量都可以写成基向量的线性组合：
矩阵的列就是变换后的基向量
二维矩阵
可以读成：
这就是“列向量视角”。
矩阵乘向量是在计算变换后的落点
如果
把它变成自己的判断规则
以后看到矩阵
| 问法 | 得到的视角 |
|---|---|
| 它的列向量是什么？ | 变换后的基向量 |
| 它把任意 | 线性变换 |
| 它的列空间是什么？ | 所有可能输出 |
例如
可以读成：
于是任意向量
这就是为什么
和考研线代的连接
1. 矩阵乘法的列视角
以后看到
2. 方程组
几何翻译是：
列向量翻译是：
两种翻译是同一件事。
3. 线性变换是后面知识的统一母题
矩阵、行列式、逆矩阵、秩、特征值都可以从“空间如何被线性变换”来理解：
- 行列式：空间面积或体积缩放；
- 逆矩阵：变换能否倒回去；
- 秩：变换后空间剩下多少维；
- 特征向量：变换后方向不变的向量。
易错点
- 只把矩阵看成行列数字，忘了列向量是变换后的基向量。
- 计算
时机械行乘列，但不知道它是在重新拼向量。 - 忘了线性变换必须保持加法和数乘结构。
- 把“网格线保持平行”等图像特征当成唯一严谨定义。
我疑惑的地方
疑惑 1：为什么只看两个基向量，就能知道整个二维空间怎么变？
因为任意二维向量都能写成：
也就是说，只要知道
这就是“列向量决定矩阵”的根本原因。
疑惑 2：矩阵乘向量为什么不是随便定义的？
矩阵乘向量的计算规则，是为了让“用变换后的基向量重新拼向量”这件事成立。
如果
那么
下次遇到怎么办
遇到矩阵题时，先做一个视角选择：
- 如果题目问
，优先看列向量能不能拼出 。 - 如果题目问可逆，优先看这个变换有没有压扁空间。
- 如果题目问秩，优先看变换后输出空间剩几维。
- 如果题目问特征值，优先看哪些方向变换后仍在原方向。
同一个矩阵，换视角以后会变得很不一样。矩阵题的关键常常不是算得更快，而是先把矩阵看对。
更高层次的见解
这集是线代直觉的发动机室。它把前三集的语言接起来：
| 前面建立的东西 | 在本集中变成 |
|---|---|
| 基向量 | 矩阵列向量 |
| 线性组合 | 矩阵乘向量 |
| 张成空间 | 列空间 |
| 坐标配方 | 输入向量的坐标 |
| 向量输出 | 线性变换后的落点 |
如果你真的把“矩阵是线性变换”吃透，后面的很多定义会少一半神秘感。
本集复看问题
- 为什么矩阵的列表示变换后的基向量？
- 为什么只知道基向量的去向，就能知道所有向量的去向？
可以同时翻译成哪两句话？ - 为什么这个视角能解释后面的行列式、秩、特征值？
- 我能不能把
说成 的列向量按 的坐标做线性组合？
链接
- 🏠 返回总览：线性代数的本质：直觉复习地图
- 交互实验室：线性代数本质交互实验室
- 上一集：线性组合、张成与基：空间是被向量拼出来的
- 下一集：矩阵乘法：两个变换的复合
- 视频来源：Bilibili BV1ib411t7YR p04