矩阵的秩和特征值的关系

矩阵的秩和特征值，这两个词在线性代数里抬头不见低头见，但要把它们俩的关系说清楚，还真得费点口舌。很多人学完线性代数，对这俩概念也是一知半解，感觉它们都挺重要，但具体怎么重要，相互之间有什么联系，就说不太清了。咱们今天就聊聊这个事。

先说矩阵的秩（Rank）。你可以把矩阵的秩看作是这个矩阵“信息量”的一种度量。具体来说，一个矩阵的秩，就是它所有列向量（或者行向量）中，线性无关的向量的最大个数。 听起来有点绕，我打个比方。

想象一下，你有一组向量，每个向量都代表一个方向。如果其中一个向量可以通过其他向量的拉伸、缩短或者反向再相加得到，那这个向量就是多余的，因为它没有提供新的方向信息。比如向量 C 是向量 A 和向量 B 的和，那么 C 就是“线性相关”的，我们知道了 A 和 B，就等于知道了 C。把所有这些多余的、能被别人表示出来的向量都踢出去，剩下的、谁也替代不了谁的“核心”向量的个数，就是这组向量的秩，也就是矩阵的秩。

所以，一个矩阵的秩越高，代表它包含的“独立方向”信息就越多。如果一个 n x n 的方阵，它的秩是 n，我们就说这个矩阵是“满秩”的。 这意味着它的所有行向量和列向量都是线性无关的，谁也代表不了谁，信息量达到了最大。反之，如果秩小于 n，就是“秩亏”或者叫“奇异矩阵”，说明它的向量之间存在依赖关系，信息有冗余。

再来说特征值（Eigenvalue）和特征向量（Eigenvector）。这两个概念必须一起理解。一个矩阵通常代表着一种线性变换，比如旋转、拉伸、剪切等。当你用一个矩阵去乘以一个向量时，相当于对这个向量进行了一次变换。大部分向量经过这个变换后，方向都会发生改变。

但是，总有那么一些特殊的向量，当被这个矩阵作用之后，方向保持不变（或者恰好反向），只是在长度上被拉伸或者压缩了一定的比例。 这种“方向不变”的特殊向量，就是这个矩阵的“特征向量”，而那个拉伸或压缩的比例，就是对应的“特征值”。

举个例子，想象一个在 xy 平面上的图形，我们对它做一个水平方向的拉伸变换，让所有点的 x 坐标都变成原来的 2 倍，y 坐标不变。这个变换可以用一个矩阵来表示。对于这个变换来说，所有在 x 轴上的向量就是它的特征向量，因为变换后方向还在 x 轴上，只是长度变成了原来的 2 倍。所以，它们对应的特征值就是 2。所有在 y 轴上的向量也是特征向量，因为变换后它们根本没动，长度是原来的 1 倍，所以对应的特征值是 1。

好了，铺垫了这么多，现在可以正式聊聊秩和特征值的关系了。

最核心的一点是：对于一个 n x n 的方阵，它的秩等于它非零特征值的个数（计入代数重数）。

这句话是关键，但对初学者可能不太好理解，我们把它拆开揉碎了说。

首先，一个 n x n 的矩阵，它一定有 n 个特征值（包括复数特征值和重复的特征值）。 这一点是由代数基本定理保证的，因为求特征值的过程本质上是解一个 n 次多项式方程（即特征方程 det(A – λI) = 0），这个方程一定有 n 个根。

现在，我们来思考一个特殊情况：如果一个矩阵有一个特征值是 0，这意味着什么？

根据特征值的定义，如果 λ 是一个特征值，那么必须存在一个非零的特征向量 x，使得 Ax = λx。 如果这个特征值 λ 正好是 0，那么方程就变成了 Ax = 0x，也就是 Ax = 0。

这个方程 Ax = 0 太眼熟了，它是一个齐次线性方程组。这个方程有非零解 x，正好说明了矩阵 A 的列向量是线性相关的。换句话说，矩阵 A 不是满秩的，它是奇异的。 从另一个角度看，Ax = 0 有非零解，意味着矩阵 A 的零空间（Kernel）里不只有零向量，零空间的维度（也叫零化度）大于 0。

根据秩-零化度定理，一个 n x n 矩阵的“秩”加上它的“零化度”等于 n。 既然零化度（也就是特征值 0 对应的特征空间的维度）大于 0，那么矩阵的秩就必然小于 n。

这就建立起了第一个直观的联系：一个矩阵只要有 0 这个特征值，它就一定是奇异矩阵，也就是秩亏的。反过来说，一个满秩矩阵，它的特征值里绝对没有 0。

为什么？因为如果一个 n x n 矩阵是满秩的，意味着它的列向量线性无关，方程 Ax = 0 只有唯一的零解 x = 0。而特征向量的定义要求它必须是非零向量，所以就不可能存在一个特征值 0 对应着一个非零的特征向量。

现在我们把这个关系再往前推一步。一个特征值是 0，秩就至少亏了 1。那如果有 k 个特征值为 0 呢？

这里要分情况讨论。对于一类比较“友好”的矩阵，比如对称矩阵，事情就变得很简单。对称矩阵有一个很好的性质，就是它可以被“对角化”。 也就是说，我们可以找到一个可逆矩阵 P，使得 P⁻¹AP 的结果是一个对角矩阵 D，这个对角矩阵的对角线上的元素，正好就是 A 的所有特征值。

因为相似变换（比如 P⁻¹AP）不改变矩阵的秩，所以原矩阵 A 的秩就等于对角化后矩阵 D 的秩。 而一个对角矩阵的秩，就是它对角线上非零元素的个数。这么一来，关系就非常清晰了：对于对称矩阵（或者更广泛地说，对于所有可以对角化的矩阵），矩阵的秩就精确地等于它非零特征值的个数。

举个例子，一个 3×3 的对称矩阵，通过计算发现它的特征值是 5, 2, 0。那么我们可以立刻断定，这个矩阵的秩是 2。因为它有两个非零的特征值。同时，因为有一个特征值为 0，也说明这个矩阵是奇异的，它的行列式值也为 0（因为行列式等于所有特征值的乘积）。

但生活并不总是那么美好，不是所有矩阵都能被对角化。对于那些不能被对角化的矩阵，情况稍微复杂一点。在这种情况下，矩阵的秩大于或等于其非零特征值的个数。 也就是说，非零特征值的数量只是秩的一个下限。

不过，在很多实际应用中，我们遇到的矩阵（比如相关系数矩阵、协方差矩阵）大多是对称的，所以“秩等于非零特征值个数”这个结论在实践中非常有用。

总结一下，我们可以这样理解矩阵的秩和特征值的关系：

1. 零特征值是关键：一个矩阵的秩和它的零特征值直接相关。有一个零特征值，就意味着矩阵的列向量（或行向量）之间存在线性依赖，矩阵被“压缩”了维度，秩就不是满的。
2. 特征空间与零空间：特征值为 0 的所有特征向量张成的空间（特征空间），其实就是矩阵的零空间。零空间的维度越大，说明被“压缩”掉的信息越多，矩阵的秩就越低。
3. 非零特征值的角色：非零特征值对应的特征向量方向，构成了矩阵变换后的“像空间”（Image or Column Space）。像空间的维度，根据定义，就是矩阵的秩。 因此，有多少个线性无关的、对应非零特征值的特征向量，矩阵的秩就是多少。对于可对角化的矩阵，这个数量正好就等于非零特征值的个数。

所以，当你拿到一个方阵，想知道它的秩，除了用行变换化成阶梯形这种标准方法外，如果你能设法求出它的特征值，那么数一数其中有多少个不是 0，就能立刻得到关于秩的一个非常重要的信息，对于很多矩阵来说，这个信息就是最终答案。