第 3 章 · 线性映射：全书的视角转折

从这里开始，主角从"向量"换成"映射"。线性映射 $T: V\to W$ 满足可加与齐次，它是"保持线性结构的变换"。本章的核心洞见：一个线性映射完全由它对基的作用决定——矩阵的来历就在这里。

核与值域：两个基本子空间

线性映射基本定理（秩-零化度定理）：

一行定理统摄一切"方程组解的结构"问题：齐次方程解空间维数 + 秩 = 未知数个数。可逆 ⟺ 单射 + 满射 ⟺ null 为零 ⟺ 秩 = dim V。

矩阵 = 线性映射在基下的坐标表

给定 $V$ 的基 $v_1,\dots,v_n$ 与 $W$ 的基 $w_1,\dots,w_m$，$T$ 的矩阵第 $j$ 列 = $Tv_j$ 的坐标。换基 = 同一线性映射换了一张坐标表：相似矩阵 $A = P^{-1}BP$ 是"同一个映射、不同基"。这个观点把"矩阵相似"从代数变形升级为几何事实，全书后续（特征值、上三角化）都在找"让矩阵变好看的那组基"。

映射空间的维数

$\mathcal{L}(V,W)$（全体线性映射）自身是向量空间，$\dim = (\dim V)(\dim W)$。逆映射存在性、同构（有限维同维数空间互相同构）也在本章定型：同构 = 可逆线性映射，维数是有限维空间唯一的同构不变量。

老师的提醒

• 拿到矩阵问题时先问"背后的映射是什么"：秩、零度、可逆性都是映射的属性，与基无关。
• 秩-零化度定理是"维度守恒"：压缩掉多少维（零度），像空间就剩多少维。

自检

• 叙述秩-零化度定理并证明。
• 为什么相似矩阵是"同一个映射"？
• $T$ 可逆的三个等价条件？

更深一层：线性映射是"结构的保送生"

线性映射的定义只有两条（可加 + 齐次），但保送的"结构"比想象的多：零元映到零元、线性组合映到线性组合、子空间映到子空间、线性相关组映到线性相关组。这些"免费赠送"的性质共同说明：线性映射是结构与结构之间的保真翻译——源空间的一切线性代数事实，翻译后依然成立。矩阵是这种翻译在基下的"字典"：矩阵乘法 = 映射复合、矩阵的列 = 基像、转置 = 对偶映射。读线性代数的文献时，看到矩阵先自动翻译成映射、看到映射先自动写成矩阵——双语阅读是基本功。

基的重要性本章还有一层：同一个映射在不同基下矩阵不同，但秩、特征值、行列式这些"谱不变量"不随基变——它们是映射本身的属性而非坐标表的属性。这个视角把"相似矩阵"从代数变形升级为"同一映射的换装"，特征值理论的目标（找最好的基）由此获得纲领性表述。

推导细读：秩-零化度定理的"两次射影"证明

定理：$\dim V = \dim\,\text{null}(T) + \dim\,\text{range}(T)$。证明骨架：取 null(T) 的基 $v_1, \dots, v_m$，扩充为 $V$ 的基 $v_1, \dots, v_n$；证明 $Tv_{m+1}, \dots, Tv_n$ 是 range(T) 的基——张成：任何 $Tv$ 写成 $T$（零空间部分 + 扩充部分）之和，零空间部分被抹掉；无关：设零组合，则"扩充部分的组合"落在 null 中，由扩充时的直接和结构推系数全零。证毕。注意证明的机制：零空间的部分被 T "湮灭"，映射的秩全部由"补充的基"贡献——湮灭 + 贡献恰好守恒，这就是"秩-零化度"这个名字的具象画面。这个守恒思想在量子力学的自由度计数、控制理论的能控性分解里反复回响。

在真实世界里：矩阵的秩是"数据的天赋体检"

数据矩阵的秩在工程里有个直白的读法：秩 = 数据的独立维度数。传感器阵列的秩 = 可分辨的信号源数上界（MUSIC 算法的根基）；用户-商品评分矩阵低秩 = "少数隐因子（口味类型）支配全部行为"（推荐系统的低秩假设）；满秩 = 完全随机无结构。秩亏的诊断与处理（删冗余列、PCA 投影、正则化）在第 2 章最小二乘里再细谈——这里先建立"秩是维度体检报告"的观念：拿到数据矩阵，先问秩，再问行数列数。

专题深入：线性映射是"结构的保送生"展开

线性映射的定义只有两条（可加 + 齐次），但保送的"结构"比想象的多：零元映到零元、线性组合映到线性组合、子空间映到子空间、线性相关组映到线性相关组。这些"免费赠送"的性质共同说明：线性映射是结构与结构之间的保真翻译——源空间的一切线性代数事实，翻译后依然成立。矩阵是这种翻译在基下的"字典"：矩阵乘法 = 映射复合、矩阵的列 = 基像、转置 = 对偶映射。读线性代数的文献时，看到矩阵先自动翻译成映射、看到映射先自动写成矩阵——双语阅读是基本功。

基的重要性本章还有一层：同一个映射在不同基下矩阵不同，但秩、特征值、行列式这些"谱不变量"不随基变——它们是映射本身的属性而非坐标表的属性。这个视角把"相似矩阵"从代数变形升级为"同一映射的换装"，特征值理论的目标（找最好的基）由此获得纲领性表述。

数学细节展开：秩-零化度定理的"湮灭 + 贡献"证明机制

定理：$\dim V = \dim\,\text{null}(T) + \dim\,\text{range}(T)$。证明骨架：取 null(T) 的基 $v_1, \dots, v_m$，扩充为 $V$ 的基 $v_1, \dots, v_n$；证明 $Tv_{m+1}, \dots, Tv_n$ 是 range(T) 的基——张成：任何 $Tv$ 写成 $T$（零空间部分 + 扩充部分）之和，零空间部分被抹掉；无关：设零组合，则"扩充部分的组合"落在 null 中，由扩充时的直接和结构推系数全零。注意证明的机制：零空间的部分被 T "湮灭"，映射的秩全部由"补充的基"贡献——湮灭 + 贡献恰好守恒，这就是"秩-零化度"这个名字的具象画面。这个守恒思想在量子力学的自由度计数、控制理论的能控性分解里反复回响。

工程案例细节：矩阵的秩 = 数据的天赋体检（工程版）

数据矩阵的秩在工程里的直白读法：秩 = 数据的独立维度数——传感器阵列的秩 = 可分辨的信号源数上界（MUSIC 算法的根基）；用户-商品评分矩阵低秩 = "少数隐因子支配全部行为"（推荐系统的低秩假设）；满秩 = 完全随机无结构。拿到数据矩阵，先问秩，再问行数列数——秩亏的诊断与处理（删冗余列、PCA 投影、正则化）是数据分析的第一反应。