线性代数Python计算：线性变换的值域与核

设数域$P$上的向量空间$P^n$的线性变换$T$，在某个基下其变换矩阵$\mathbf{A}=({\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\cdots ,{\mathbf{\alpha }}_n)$。$T$的值域$T(P^n)$为${\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\cdots ,{\mathbf{\alpha }}_1$的生成空间，$T$的核$K(T)$为$\mathbf{Ax}=\mathbf{o}$的解空间。因此，只要构造出$T$在$P^n$的某个基底下的矩阵$\mathbf{A}$，利用博文《向量组的最大无关组计算》定义的maxIndepGrp函数，计算${\mathbf{\alpha }}_1,{\mathbf{\alpha }}_2,\cdots ,{\mathbf{\alpha }}_n$的最大无关组，就是$T(P^n)$的基底。用博文《线性方程组的通解》定义的mySolve函数，计算$\mathbf{Ax}=\mathbf{o}$的基础解系，就是$K(T)$的基底。
例1 用Python计算在ℝ${}^4$的自然基上矩阵为$\mathbf{A}=\left(\begin{array}{cccc}1& 0& 2& 1\\ -1& 2& 1& 3\\ 1& 2& 5& 5\\ 2& -2& 1& -2\end{array}\right)\in$ℝ${}^{2\times 2}$的线性变换$T$的值域$T($ℝ${}^4)$与核$K(T)$。

import numpy as np                          		#导入numpy
from fractions import Fraction as F                 #导入Fraction
np.set_printoptions(formatter=                      #设置输出数据格式
                    {'all':lambda x:str(F(x).limit_denominator())})
A=np.array([[1,0,2,1],                      		#设置矩阵A
            [-1,2,1,3],
            [1,2,5,5],
            [2,-2,1,-2]],dtype='float')
r,ind,_=maxIndepGrp(A)                      		#A的列向量最大无关组
print('值域基底：')
print(A[:,ind[:r]])
o=np.array([0,0,0,0]).reshape(4,1)
X=mySolve(A,o)                              		#Ax=o的解集
print('核基底：')
print(X[:,1:])

程序的第5~8行设置线性变换矩阵A。第9行调用maxIndepGrp函数（见博文《向量组的最大无关组计算》）计算矩阵A中列向量的最大无关组，返回A的秩r和表示A中各列调整后的顺序ind，ind[0:r]（或简略为ind[:r]）为列向量的最大无关组下标。第11行输出A中列向量最大无关组作为值域的基底。第13行调用mySolve函数（见博文《线性方程组的通解》），计算齐次线性方程组$\mathbf{Ax}=\mathbf{o}$的解空间X。回忆X中第1列为零解，基础解系存于X[:,1:]中，第15行作为核的基底输出之。运行程序，输出

值域基底：
[[ 1  0]
 [-1  2]
 [ 1  2]
 [ 2 -2]]
核基底：
[[ -2  -1]
 [-3/2 -2]
 [  1   0]
 [  0   1]]

即$T($ℝ 4 ) = { x ∣ x = λ 1 ( 1 − 1 1 2 ) + λ 2 ( 0 2 2 − 2 ) } , λ 1 , λ 2 ∈ ^4)=\{\boldsymbol{x}|\boldsymbol{x}=\lambda_1\begin{pmatrix}1\\-1\\1\\2\end{pmatrix}+\lambda_2\begin{pmatrix}0\\2\\2\\-2\end{pmatrix}\},\lambda_1,\lambda_2\in 4)={x∣x=λ1​ ​1−112​ ​+λ2​ ​022−2​ ​},λ1​,λ2​∈ℝ， K ( T ) = { x ∣ x = c 1 ( − 2 − 3 2 1 0 ) + c 2 ( − 1 − 2 0 1 ) } , c 1 , c 2 ∈ K(T)=\{\boldsymbol{x}|\boldsymbol{x}=c_1\begin{pmatrix}-2\\-\frac{3}{2}\\1\\0\end{pmatrix}+c_2\begin{pmatrix}-1\\-2\\0\\1\end{pmatrix}\},c_1,c_2\in K(T)={x∣x=c1​ ​−2−23​10​ ​+c2​ ​−1−201​ ​},c1​,c2​∈ℝ。
写博不易，敬请支持：
如果阅读本文于您有所获，敬请点赞、评论、收藏，谢谢大家的支持！
代码诚可贵，原理价更高。若为AI学，读正版书好。