求一个向量变换为另一个向量的矩阵_【线代的本质（二）】向量，矩阵

你好啊，我是大年。

上一期给大家讲了一下总括性的东西，如果没看的同学最好能先去看一下，因为关联性会比较强  线代的本质(一)，那今天呢，就和大家梳理一下向量和矩阵到底是个啥。

我希望大家看的时候不要一开始就带着害怕、恐惧的心理，静下心来，可能没有你想象中那么难。

我也在和大家一起学习，如果有说的有问题的地方，欢迎大家批评指正。

3.基，向量，张成空间

——————————————

(1)向量——对象

我们的资料给出的定义是有序数组，而向量在线性空间里就是一个以原点为起点的箭头。我们的线性变换就是以向量为对象了。

(2)基——描述向量

“每当我们用数字描述向量，都依赖于我们正在使用的基。”

——3blue1brown

资料上讲，向量是有序数组，那么我们用来表示向量的这些数是哪来的，其实依赖于另一个概念——基。向量空间的一组基是张成该空间的一个线性无关向量集。

我们在线性空间里，也需要有点类似于数轴，平面直角坐标系或者空间直角坐标系这样的一种衡量方式，这里我们是用坐标轴和基来表示，只是这时候我们描述的对象不再是点了，而变成了向量。

任何向量都是其所在线性空间的基的线性组合。

在一个二维空间里，我们选择用来做坐标系的直线有什么特点，你可以不是直角，但是你不能重合也不能平行，因为这样你就没法确定一个平面了，也就没法描述该平面所有的点了(想想初中的定理，两条相交直线可以确定一个平面)。

同样的，我们在二维空间用来做基的向量，它必须非零而且不共线(其实就是不相关)，这样它才能表示该空间所有的向量。如果共线了，它就只能描述这条直线上所有的向量了，而没法描述整个二维空间的向量。同理，三维空间更高维空间也是如此。

你再想想，一维空间我们的数轴是一条直线，二维空间的平面坐标系是两条，三维空间的空间坐标系是三条，那放在线性空间也是一样的，我们的空间是几维的，基的数量就是几个。

总结：

(1)线性空间内所有的向量都能由该线性空间的一组基向量线性表示；

(2)一般空间是几维，取的基向量的个数就有几个。

(3)基向量可以有很多种取法，并不唯一。

(4)一组基向量其实就是极大线性无关组，再多一个就线性相关了，少一个无法描述空间内所有的向量了，(类似于你没法用数轴表示二维空间所有的点，也没法用平面坐标系表示三维空间所有的点)。

(3)张成空间

向量张成的空间：给定向量的所有线性组合向量的集合。比如给定两个线性无关的二维向量，它俩的线性组合能表示出这个二维空间所有的向量，那它们的张成空间就是整个二维空间所有向量的一个集合。

4.矩阵——线性变换

————————————

(1)线性变换的特殊之处：

1)变换保持网格线平行且等距分布

2)所有直线在变换后仍然保持为直线，不能有所弯曲

3)原点位置必须保持固定

(2)矩阵

我们在用矩阵描述线性变换时，实际上是在描述变换后的基向量坐标 ，比如在二维空间里，由于向量 v 是 i 帽和 j 帽(i帽，j帽为基)的一个特定线性组合，只要记录了变换后的i帽和j帽，我们就可以推断出任意向量在变换之后的位置，完全不必观察变换本身是什么样。   因为线性变换网格线平行且等距分布，所以变换前后向量关于基向量的线性组合保持不变！ ——3blue1brown

(3)复合矩阵

当多个线性变换复合作用于同一个向量的时候，可以通过矩阵复合运算(也就是矩阵乘法)得到一个等效变换。 矩阵实际上描述(追踪)的是基向量的变换，而空间内任意向量则是基向量特定的线性组合。 ——3blue1brown

矩阵复合运算可以类比为函数中的 f(g(x)) ，将 f 和 g 复合为一个函数。还记得吗，我们设有A和B两个矩阵，一般情况下AB≠BA,为什么，类比于复合函数之后你就清楚了，f(g(x))与g(f(x))一般情况下并不相等。

(4)逆矩阵

逆矩阵我的一个理解就是抵消原矩阵所做的线性变换，原矩阵乘逆矩阵就相当于什么都不做。类似于我们向左走三步，再向右走三步，又回到了原点。当然线性变换往往比这个复杂得多，但是大致的思想是有共通性的。

为什么行列式为0逆矩阵就不存在了，行列式的值相当于变换的放大率(后面会单独讲行列式)，如果放大率为0，就代表空间被压缩了，比如一个线性变换把二维空间压缩成了一维，也就是把某个平面压缩成了一条线，然而你没法根据这条线把它解压为原来的平面，因此这时候逆矩阵就不存在了。

我不知道讲清楚了没，可能简单看一遍没法消化，我希望你能多看两遍，通过上述内容，能大概明白向量和矩阵是怎么回事了。那下一期我再来给大家理一理行列式和线性方程组。

现在公众号改版了，大家标星和多多点在看，才能及时收到消息！原创不易，如果有帮助记得标星和点赞点在看~

文章封面配图

电影《野梨树》