矩阵与线性变换
首先，恭喜你读到了咪博士的这篇文章。本文可以说是该系列最重要、最核心的文章。你对线性代数的一切困惑，根源就在于没有真正理解矩阵到底是什么。读完咪博士的这篇文章，你一定会有一种醍醐灌顶、豁然开朗的感觉！
咱们先来说说啥叫变换。本质上，变换就是函数。
例如，你输入一个向量 [57]，
经过某个变换（即函数）的作用之后，输出另一个向量 [2−3]
既然，变换本质上就是函数，那为啥还要多搞出这样一个术语？
其实，“变换”这个词暗示了我们能够以某种方式可视化 输入—-输出 关系。它暗示我们要从向量运动的角度去理解。即，变换让向量从一个地方（对应输入向量），运动到了另一个地方（对应输出向量）。
我们说将变换作用于某个空间，意思是将该变换应用于空间中的每一个向量。
空间中的向量可以用一些规则分布的点来表示。
下面是变换前的样子，
下面是变换后的样子。
变换后，空间中的点（即向量）运动到了其他的位置上。
二维空间变换中，等间距的平行网格可以更好地展示变换的性质。
下面是变换前的网格。
下面是变换后的网格。
显然，变换让空间发生了扭曲。
为了方便观察，我们还可以把变换前后的网格都画在同一张图上。
变换有时非常地复杂。
例如，下面的几个例子：
所幸的是，我们在线性代数中讨论的线性变换，没有那么复杂，也更容易理解。
那么线性变换是什么意思呢？如果一个变换同时具有以下 2 条性质，则它是一个线性变换。
- 变换前后，所有的直线仍然是直线
- 变换前后，原点保持不变
换句话说，线性变换是原点不变，并使网络线保持平行且等距分布的变换。
那么，我们要如何描述一个线性变换呢？
以平面直接坐标系为例，假定我们有一个向量 v⃗ =[−12]。我们可以将它看成是 2 个基向量 i, j 的线性组合。线性组合的系数分别对应向量的 2 个分量。
在某个线性变换的作用下，i, j 以及 v 都运动到了新的位置。
线性变换前后网络线保持平行且等距分布，这一性质有一个重要的推论：线性变换后的 v 是变换后的 i 和 j 的线性组合，并且线性组合的系数和变换前一样（仍然是 -1 和 2）
即，线性变换前
i⃗ =[10],j⃗ =[01]，则
v⃗ =−1[10]+2[01]=[−12]
假定，经过某个线性变换后之后
i⃗ =[−12],j⃗ =[30]，则
v⃗ =−1[1−2]+2[30]=[52]
事实上，我们只要知道线性变换之后，i, j 的位置（坐标），就可以计算出任意一个向量经过同样的线性变换之后的位置（坐标）。
这意味着，对于一个线性变换，我们只需要跟踪基向量在变换前后的变化，就可以掌握整个空间（即全部向量）的变化。我们将线性变换后的基向量坐标按列组合起来，可以拼接成一个矩阵。线性变换的全部信息便都包含在这个矩阵当中了。
给定一个 2×2 的矩阵 [acbd] 以及某个向量 [xy]。
矩阵对应着某个线性变换，它的 2 列 [ac] 和 [bd] 分别表示 2 个基向量 [10] 和 [01] 经过线性变换之后的坐标。
那么，向量 [xy] 经过该线性变换之后，其新坐标的计算方法如下：
这一计算过程，我们可以用矩阵乘法来表达。将向量 [xy] 记作 x⃗ ，将整个矩阵记作 A，将线性变换后的向量记作 b⃗ ，整个等式是不是变成了大家熟悉的 Ax⃗ =b⃗ 。你可以把它看成是矩阵和向量相乘，也可以把它看成是一个线性方程组，现在你还可以把它看成是一个线性变换。多么奇妙的一件事啊！
一旦你理解的本节教程的精髓，你便可以秒懂原来看起来十分费解的线性变换。
例如，逆时针旋转 90 度对应的线性变换矩阵是什么呢？
记住，对于线性变换，我们只需要跟踪原来的基向量在线性变换后的位置（坐标），然后把它们按列拼成一个矩阵，这个矩阵就是相应的线性变换矩阵。
在这个例子中，原来的 2 个基向量 [10] 和 [01] ，逆时针旋转90 度之后，变成了 [01] 和 [−10] ，把它们拼成 一个矩阵[01−10] ，这便是逆时针旋转 90 度对应的线性变换矩阵。要计算任意向量旋转 90 度之后的坐标，只需要用该矩阵左乘原来的向量就可以了。
下面是一个剪切变换，你能一眼就看出它在做什么吗？
我们再来看下面这个线性变换，其线性变换矩阵的 2 个列向量是线性相关的。这个线性变换会将整个二维空间压缩到一条直线上。通过这个例子，你是不是对线性相关、线性无关有了更直观的、更深刻的认识了呢？
总之，线性变换是操纵空间的一种手段。线性变换保持原点不动，网格线平行且等距分布。只需要几个数字（变换后基向量的坐标）就可以清晰地描述一个线性变换。将变换后基向量的坐标按列拼接成一个矩阵。这个矩阵为我们提供了一种描述线性变换的语言。线性变换作用于一个向量，对应于用线性变换矩阵左乘该向量。
以后，当你再看到矩阵的时候，你都可以将它解读为对空间的某种线性变换，这是深刻理解矩阵乘法、行列式、基变换，以及特征值等概念的重要基础。掌握了本节（从线性变换的角度）看待矩阵的方式，线性代数中，原本极其抽象的概念，都将瞬间变得清晰起来。线性代数中各种看似莫名其妙的运算，以及各种神出鬼没的概念，一下子都变得可爱起来了。
