第 9 章　矩阵的秩

9.1动机：矩阵里有多少独立信息

看这个矩阵 A = [[1,2,3],[2,4,6]]。它的第二列是第一列的 2 倍，第三列是第一列的 3 倍——三列其实都在同一条直线上，真正「独立」的信息只有 1 个方向。

再看矩阵 B = [[1,0],[0,1]]，两列 (1,0)、(0,1) 互相独立，谁也不是谁的倍数，有 2 个独立方向。

直觉上，A「信息含量低」，B「信息含量高」。秩，就是量化「信息含量」的那个数——它数一数矩阵里到底有多少个「真正独立」的列。

把「独立」二字再咬文嚼字一遍：新的一列要「带来新方向」才算数。A 的情况是——第 2 列没有新方向（它是第 1 列的 2 倍），第 3 列也没有（它是第 1 列的 3 倍）。它们不是「错」，只是「冗余」：知道第 1 列，它们的信息就白送了。B 的两列则各管一个方向，谁也替代不了谁。于是「信息含量」可以严格化为「线性无关列的最大个数」——这就是秩。数数这件事从「模糊的感觉」升级为「可计算的定义」，这正是数学的标准动作：先有直觉，再把直觉钉死。

工程应用：传感器的「有效通道数」

机载大气数据系统装三支温度传感器，读数矩阵一列一支。若第 2 支永远读「第 1 支的 1.01 倍」、第 3 支是前两支的平均，那三列近似落在一个方向上——有效通道数约等于 1。冗余不是罪：三支独立安装的传感器即便读数高度相关，仍在故障隔离（一支坏了另两支兜底）与降噪（多路平均）上价值巨大；但「有效信息维度」要按秩来算，不能按采购数量来算。这正是数据分析里「特征维度高、信息维度低」的经典处境——数据挖掘、主成分分析（PCA）处理的就是这类「列多但秩小」的矩阵，它们的口诀是：别数有几列，要数有几维。

辨析：低秩是常态，不是错误

初学者常把「秩小」当「矩阵出了问题」。恰恰相反：一张 1000×1000 的自然图像，秩往往只有几十——邻近像素高度相关，是大自然的平滑性使然；一张用户评分表，用户口味常被几十个「偏好主题」支配，秩也远小于行列数。低秩 = 信息结构紧凑 = 可压缩、可预测。秩的正确姿势不是「越高越好」，而是「测得准、用得上」：建模时先问「这堆数据实际撑起几维」，答案常常出乎意料地小。

深化：冗余不是浪费——白送列的三重价值

批评完「白送」，得给冗余列说句公道话：容错——关键通道旁边挂一路备份列（主传感器 + 备用传感器读数几乎相同），坏一路另一路顶上，可用性大增；校验——两列本该严格成比例，实际读数却渐渐偏离，偏差本身就是故障信号（轴承磨损、传感器漂移在「冗余列的不冗余」处现形）；降噪——对同一物理量多次独立测量取平均，列越多方差越小。秩告诉你「信息维度」，冗余度则告诉你「安全余量」——前者管模型的容量，后者管系统的韧性，两个数都要盯。

四种读法、一个数字——这正是「不变量」的威力：形式千变万化，答案始终如一。本章其余部分就沿着这四条路反复上下，最后你会发现自己看任何矩阵，四个视角同时在心里亮起。

给本章立一句总纲：秩数的是「方向」，不是「东西」。列可以有一百个，方向可能只有一个；数据可以有一万行，独立模式也许只有十来种。学习秩，就是把注意力从「数量」挪到「维度」——这个视角切换，是线性代数从计算走向洞察的第一道门，后面主成分分析、数据降维、模型可辨识性的讨论，全都踩在这道门的门槛上。

9.2秩的定义：独立列的个数

正式定义：

「列秩 = 行秩」听起来不可思议——行和列是不同方向的东西，凭什么独立行数和独立列数一定一样？直觉上，可以把矩阵想象成一张「信息表」：无论横着看还是竖着看，它承载的独立信息总量是固定的。这个定理保证我们从行或列任意一个角度数，结果都一样。

回到开头的 A=[[1,2,3],[2,4,6]]：三列共线，独立列只有 1 个，rank(A)=1。两行也共线（第二行是第一行的 2 倍），独立行也是 1 个——果然一致。

定义里有个容易放过的细节：「最大个数」。独立组不是唯一的——同一堆列里，你可以选这组独立列，我选那组，谁也不服谁；但定理保证无论怎么选，独立列的个数都一样多。这叫「良定义」：答案不依赖选择。于是 rank(A) 这个数才有资格被当作矩阵本身的属性，而不是「某一次挑选」的结果。

「列秩 = 行秩」的证明思路值得走一遍，它比结论本身更值钱：

• 第一步：行变换（消元）不改变「行之间的线性关系」——若第 3 行原本等于第 1 行 + 第 2 行，消元后这个关系依然原封不动（每一步行变换对两边同样作用）；
• 第二步：阶梯形的非零行必然互相独立——每行都有自己的「领头的非零元（主元）」，谁也凑不出谁；
• 第三步：于是非零行数 = 行秩。另一方面，主元所在的列彼此独立、其余列都能由它们拼出（消元过程本身就在演示怎么拼），所以主元列数 = 列秩。两个秩被同一排主元钉死——非零行数就是主元个数，也是主元列的个数。一排主元，两头通吃。

这个证明的副产品极有价值：它顺手证明了求秩的算法（化阶梯形、数主元），还给「矩阵是不变量」的哲学上了生动一课——横看竖看角度不同，独立信息的总量纹丝不动。数学里专有一门「不变量」的学问：把纷繁的表现形式底下那个不变的数挖出来，秩就是线性代数贡献的第一个标准不变量。

工程应用：仓库盘点与「扫码枪数 SKU」

把矩阵想成一张出入库记录表：每列是一个商品在每天的销售量。若「泡面」与「火腿肠」总是 1:1 同涨同跌（捆绑销售）、「可乐」是泡面销量的 3 倍（促销联动），那这三列近似只撑起一个方向。盘库存的意义不在「有几列」（几种商品），而在「几个独立 SKU」（几类彼此独立的需求）——后者才是补货、预测、定价时真正要盯的变量数。电商平台的商品动辄百万种，独立需求维度却常常几十个：这就是为什么推荐系统能用几十维的「偏好向量」大体刻画百万种商品的行为——秩小，是它能被压缩、被理解的原因。

辨析：两两独立 ≠ 整组独立

「最大个数」的陷阱在这里：u、v、u+v 这三个向量，任何两个都线性无关（u 与 v 独立，u 与 u+v 独立，v 与 u+v 独立——两两独立），但整组一看，第 3 个恰好是前两个之和，三者线性相关。所以「独立性」是整组性质，不能两两分批验收。工程对应物：三台仪表两两对照都「测得不一样」，却可能联合起来只测了一个物理量。线性代数反复训练的正是这种「整组视角」——局部两两没事，整组照样塌。

深化：挑极大无关组的流水线——从左到右逐列扫描

「最大无关组」听起来要试遍所有组合，其实有个免思考的流水线：列从左到右逐个过闸，过闸标准只有一条——「用已入选的列拼不拼得出我」。拼得出就丢弃并记下配方，拼不出就入选。例题 2 走的正是这条线：第 1 列入选；第 2 列 = 2×第 1 列，丢弃；第 3 列拼不出，入选。走到头，入选者 {col1, col3} 天然构成极大无关组，配方的记录本还顺手写成「每列怎么由主元列凑出」——9.5 节的行最简形其实就是这本记录表的机器版。这套「扫描—记配方」的流程，是理解主成分分析、稀疏表示等进阶方法的直系祖先。

9.3几何意义：列空间（张成空间）的维数

还记得第 2 章的「张成空间 span」吗？矩阵的所有列向量做线性组合，能张成一个子空间，叫 列空间。

那么：

于是，第 2 章「张成空间」、第 7 章「行列式是否为零」、本章「秩」，被统一起来了：det=0 意味着列线性相关、列空间塌缩、秩小于列数。

深化：列空间 = 可达集——输入、输出与维数守恒

把矩阵放回「变换」的语言：Ax 是「各列按 x 的分量加权混合」，所以无论 x 怎么挑，输出 Ax 只能在列空间里。输入端有 n 个自由度（x 有 n 个分量），输出端的可达维度却是 rank(A)——变换最多保住 rank(A) 个维度的信息。满秩时「进多少出多少」（维数守恒），亏秩时「进得多出得少」（维数亏损）。秩亏掉的维数去哪了？被压扁了：不同的输入挤到同一个输出上，这正是第 7 章「压扁」的精确计数版。

于是，第 7 章 det 与本章 rank 的分工也清楚了：det 是一枚0/1 开关——只回答「塌没塌」（det≠0 没塌，det=0 塌了）；rank 是一把刻度尺——精确读出「塌完还剩几维」（rank=2 剩平面、rank=1 剩直线、rank=0 只剩一个点）。开关管「有没有」，刻度尺管「有多少」。二阶以上的方阵、以及一切非方阵，刻度尺都是更通用的仪表。

工程应用：机械臂的可达空间

平面机械臂有三个关节角 θ₁、θ₂、θ₃，末端位置 x = f(θ) 线性化后是 x = Aθ。若第三个关节与第二个共轴（或因机械约束总与前两个联动），A 的秩只有 2——三个输入变量实际只指挥两个独立方向，末端永远被锁在一个二维区域内。设计者读 rank 就知道「这串机构给了几个自由度」，而不用逐个关节摆弄。机器人学把这叫「有效自由度」，自动驾驶把它叫「可控维度」：参数再多、通道再繁，能动几维由秩说了算。

辨析：复合不增秩—— rank(AB) ≤ min(rank(A), rank(B))

变换串联（先 B 后 A）后，独立信息只减不增：B 的输出再被 A 加工，能到达的空间维数不可能超过 B 张成的维数，也不可能超出 A 自己的可达维数。两边一夹：rank(AB) ≤ rank(A) 且 rank(AB) ≤ rank(B)。直观印证：先压扁到平面（rank 2），再怎么三维地旋转平移，输出仍困在平面里。「复合保秩」不存在，「复合掉维」家常便饭——滤波、投影、降采样在工程里全是「掉维」动作，级联多了，最后只剩一条线甚至一个点的情形并不罕见。

深化：满秩 = 双射——把第 8 章的「一一对应」翻译成秩

用秩重读第 8 章的「一一对应」：变换 x ↦ Ax 要「不丢不重」，必须既单射（不同输入不撞车 ⇔ Ax=0 只有零解 ⇔ 列线性无关 ⇔ rank = n）又满射（任何输出都够得着 ⇔ 列铺满目标空间 ⇔ rank = m）。方阵 m = n 时两个条件合并成一个：rank = n ⇔ 可逆——第 8 章的判据到此全部翻译成秩的语言。非方阵则注定顾此失彼：「瘦高」矩阵（m > n）单射有余、满射无缘（输出空间太宽，列填不满）；「矮胖」矩阵（m < n）满射有余、单射无缘（输入太多，撞车不可避免）。两头都占的只有方阵满秩——这就是为什么「可逆」是方阵的专利。

两件工具是同一件事的粗细两档：方阵问「塌没塌」，det 一锤定音；任何矩阵问「剩多少」，rank 精确读数。先学会用 det 快速裁决方阵问题，再掌握 rank 通吃一般问题——工具箱升级的顺序，正是教材第 7 章到第 9 章的展开顺序。

9.4秩与解的关系

现在用秩，把第 6 章「解的三类结果」讲得滴水不漏。考虑方程组 Ax=b，设未知数个数为 n，增广矩阵为 [A | b]。

关键的判据就一句话：b 是否落在 A 的列空间里？

• b 在列空间里（rank 不增加）→ 有解；
• b 不在列空间里（rank 增加）→ 无解。

因为 Ax 本质是「A 的各列做线性组合」，它只能到达列空间内的点。b 在列空间外，就永远够不着。

表格读法再提炼一下：秩的判据其实拆成两个正交的问题——存在性问「b 在不在列空间里」，由 rank(A) 与 rank([A|b]) 是否相等裁决；唯一性问「即便够得着，落点是不是只有一个」，由 rank(A) 是否等于未知数个数 n 裁决（等于 n 即满秩，落点唯一；小于 n，就多出 n − rank(A) 个自由度，落点连成一片）。两问一横一竖，答案拼出三格：够得着且唯一 → 唯一解；够得着但不唯一 → 无穷解；够不着 → 无解。

工程应用：测量平差——「无解」的正确打开方式

工程里最常见的却是「超定方程组」：传感器读数比未知数还多。给三组坐标测得七个距离、用五个温度点拟合两个参数——m 个方程、n 个未知数且 m > n，读数又带噪声，b 几乎必然悬在列空间外，按判据「无解」。但工程师不会摊手说「无解」，而是问：离列空间最近的可解点是哪个？把 b 投影到列空间，按投影后的 b′ 解出 x——这就是最小二乘，拟合、定位、参数辨识的通用解法。秩判据在这里的角色是「体检报告」：先算清楚可达空间是几维，再谈「最近」。

辨析：无解 ≠ 无穷解——「没有」与「太多」都不是「恰好」

三分类的口语对应物：唯一解 = 恰好一个；无穷解 = 太多（信息不足，欠定）；无解 = 没有（模型与数据互相打架，超定）。工程诊断时两者含义天差地别：「太多」通常是自由度没约束够（补传感器、加先验），「没有」通常是模型错了或数据有坏点（修模型、剔除野值）。把「没有」误诊为「太多」或反之，都会把力气花错地方——所以报告里永远要写清「是哪一种」而不是一句「解不出来」。

最后把三分类与第 8 章对齐：方阵满秩（rank = n ⇔ det ≠ 0 ⇔ 可逆）时，任何 b 都落在列空间里（列铺满全空间），且落点唯一——这正是「A 可逆 ⇒ Ax=b 有唯一解 x = A⁻¹b」的秩语言版。于是第 8 章的「五条判据」在方阵情形与本章的三分类严丝合缝地咬合：可逆处理「恰好一个」的黄金情形，秩的判据则把「太多」与「没有」一并纳入管辖。线性代数的方程组理论至此合龙。

深化：自由度的物理感——「太紧」与「太松」

把三分类再翻译成工程手感：rank(A) = n 是「设计过定」——每个未知数都被钉死，没有讨价还价的余地，解恰好一个；rank(A) < n 是「设计欠定」——约束没盖满所有自由度，还剩 n − rank(A) 个「活动关节」，解集因此是一个能滑动的点集（例题 5 里那条直线，例题 6 里若求 Ax=0 则是一张平面）；无解则是「约束打架」——不是自由度问题，是彼此矛盾，得改模型。结构工程师加支撑、控制工程师加传感器，干的都是「把欠定变成恰好确定」的活；而「约束打架」则要靠排查矛盾来源。诊断对路，药才有效——三分类给的就是这份诊断书。

补一块拼图：齐次方程组 Ax = 0 的解集（零空间）本身也是个子空间，其维数恰好是 n − rank(A)（秩 + 零空间维数 = 未知数个数，这是「秩–零化度」定理的教科书形式）。用本章例题复核：例题 5 的 A（rank 2，n = 3）零空间维数 3 − 2 = 1，是一条过原点的直线——通解里的自由方向 (1,−2,1) 正是这条线的方向；例题 6 的 A（rank 2，n = 4）零空间维数 4 − 2 = 2，是一张过原点的平面——两个自由列对应两个自由参数。第 8 章的齐次判据（可逆 ⇔ Ax=0 只有零解）也归位了：零空间维数为 0 ⇔ rank = n。至此，「特解 + 零空间」的通解结构有了完整的维度账本：非齐次把解集平移出原点，零空间决定它能滑动的全部方向。

9.5怎么求秩：数主元

秩的求法，和第 6 章高斯消元完美复用：

1. 把 A 化为行阶梯形；
2. 数一数非零行的个数（即主元的个数）。

这个数就是 rank(A)。为什么？因为消元是等价变形，不改变行的独立关系；阶梯形里每个主元行都互相独立（各有自己的「领头的 1」），非零行数恰好就是独立行的个数。

例如 A=[[1,2,3],[2,4,6]] 消元后变成 [[1,2,3],[0,0,0]]，只有 1 个非零行，rank=1。B=[[1,0],[0,1]] 已是阶梯形，2 个非零行，rank=2。和前面的判断完全一致。

数主元的合法性值得多说两句，因为整个算法的公信力都押在「消元不改秩」上。行变换只有三种：换位、倍乘（非零）、倍加。换位与倍乘只是给行「重新排队、统一量纲」，独立关系分毫不动；倍加最微妙——若某行原本能被其余行凑出，加减一轮后依然能被凑出（凑出的配方同步加减即可），若原本凑不出，倍加也不会突然让它「凑得出」（否则逆着做一遍倍加就「凑不出了」，独立性来回横跳显然荒谬）。三招都保秩，消元全由三招组成，于是阶梯形的秩 = 原矩阵的秩，而阶梯形的非零行一目了然互相独立——每个主元都站在前一行主元的更右边，谁也代替不了谁的「领地」。数格子就数出了独立行数。

顺带一提：行最简形（每个主元归一、主元列其余全清零）还有一个漂亮的性质——同一个矩阵的行最简形唯一。这意味着「秩」不依赖你消元的路径、不依赖运气：殊途必然同归。数值世界里这叫数值秩：浮点运算没有干净的零，只有「小到某个程度就当零」，实践中靠设定容差阈值来判（NumPy 的 matrix_rank 走的是奇异值分解：数一数超过容差 σ 的奇异值个数）。工程报告里的 rank 与课本手算的 rank 之间，隔着的是「精确算术 vs 浮点算术」的边界——概念同一，尺度随场景。

工程应用：把「数主元」交给机器，把「读含义」留给自己

实际数据动辄上万行，手数主元不现实，一行调用 matrix_rank(A) 就出结果。但工程师读这份输出时心里要有两杆秤：其一，机器算的是数值秩——带容差的判断，传感器噪声的量级若与容差不匹配，结果可能「差之毫厘、谬以千里」；其二，秩的用途不是「报告一个数」而是「回答一个问题」——降维该留几个主成分、方程组是唯一/无穷/无解、模型有多少独立参数，都等这个数落地。机器算秩，人读秩：算力解决「是多少」，理解力解决「所以呢」。

辨析：保秩的是「等价变形」，不是所有操作

消元（行变换）保秩，但别的操作未必：删掉一行或一列，秩可能降（也可能不变——取决于删的是不是「冗余」）；取子矩阵（抽几行几列组成新矩阵），秩最多不增、可能降；矩阵乘法秩只减不增（上节已证）。一句话：「等价变形」保秩是消元法的专利——它像压缩打包，全程不丢信息；而抽取、投影、复合都可能是「有损操作」。做数据清洗或模型简化时先问一句「这一步是等价变形还是有损变形」，能避免大量莫名其妙的丢维。

深化：手算求秩的「四步流水」与两个易错点

把算法固化成肌肉记忆：①定基准——写下矩阵，心里记住列数 n（秩的上限）；②消元——只做行变换，主元从左到右、从上到下逐个立起，遇到全零行直接跳过它往下找；③数主元——非零行数即 rank；④验自由度——自由列 = 非主元列，个数应为 n − rank，对不上就回头查漏。易错点一：主元「不许换列」——行变换合法、列变换在求秩时不许用（除非单独记账，且本章不需要）；易错点二：分数恐惧症——中途出现分数是正常现象（例：1/2 作主元完全合法），不要为了「保整数」偷偷改用列变换，那是犯规。流程 + 两条军规，手算求秩就再无悬念。

程序小注：NumPy 的 matrix_rank 底层走奇异值分解——把矩阵拆成一串「强度递减的奇异值」，再把「明显大于零」的个数数出来；默认容差由矩阵的最大奇异值、尺寸和机器浮点精度共同决定，所以同一份数据在噪声环境不同时，机器报出的秩可能波动（这正是「数值秩」与「数学秩」的差别）。实践中拿到 rank 结果，经验做法是顺手看一眼奇异值的衰减曲线：悬崖式衰减说明秩清晰可判，缓慢衰减则要警惕「秩不敏感」，此时结论别下太死。

收束：用开篇那副矩阵，把四条读法各走一遍。回头看 9.1 的 A = [[1,0,2],[0,1,3],[1,1,5]]：读独立列——第 3 列是 2·col1 + 3·col2，独立列 2 个；读独立行——第 3 行 = 第 1 行 + 第 2 行，独立行 2 个；读几何——三列张成一个二维平面；读算法——消元后非零行 2 个、主元 2 个。四个视角、同一答案 rank(A) = 2——这正是「不变量」的全部含义：换一个角度，不换答案。往后拿到任何矩阵，请习惯性地让四个视角在心里各报一次数；四个数对上了，你对它的理解就算落了地。