前言-4

本文介绍线性代数核心的“四大基本子空间”：列空间、行空间、零空间及左零空间。阐述各子空间的定义、维度关系（秩-零度定理）及正交特性，揭示矩阵行秩等于列秩这一基本定理，构建完整的空间结构图景。

正文

四大基本子空间

你刚刚已经看到了这门课的开篇——从矩阵 ($A$) 的列向量入手。核心有两步： 第一步是取所有列向量的线性组合 ($ca_1 + da_2 + ea_3 + fa_4$)，由此得到 ($A$) 的列空间； 第二步是将矩阵分解为 ($C \times R$)，其中矩阵 ($C$) 包含一组完整的线性无关的列向量。

我完全清楚这只是本书的前言部分，你还没有任何关于矩阵列空间的练习（更不用说 ($C$) 和 ($R$) 的练习了）。但好消息是：这些正是入门的正确方向。最终，任何矩阵都会引出四个基本子空间。 与 ($A$) 的列空间相伴的是行空间——所有行向量的线性组合。当我们取全部 ($n$) 个列向量的组合、以及全部 ($m$) 个行向量的组合时，这些组合就张成了向量的“空间”。

另外两个子空间补全了这幅图景。假设行空间是三维空间中的一个平面，那么在三维图景中就存在一个特殊方向：这个方向与行空间正交。这条正交直线就是矩阵的零空间。我们会看到，零空间中的向量（与所有行向量正交）正是线性方程组 ($Ax = 0$) 的解——这是最基础的线性方程。

如果与所有行向量正交的向量很重要，那么与所有列向量正交的向量也同样重要。下面就是四大基本子空间的示意图：

---

四大基本子空间：一个具有 ($r$) 个线性无关列的 ($m \times n$) 矩阵。

这四个子空间的图景会在第3章正式介绍；正交空间的概念在第4章展开；而四个子空间各自的“基向量”则会在第7章被发现。这一步是线性代数基本定理的最后一块拼图。该定理包含一个适用于任何矩阵（方阵或矩形矩阵）的惊人结论： 线性无关列的数量等于线性无关行的数量。

备注

此处是为了理解翻译者加上的。

核心知识点梳理

1. 四大基本子空间：
   • 行空间（Row space）：所有行向量的线性组合，维度 ($r$)
   • 列空间（Column space）：所有列向量的线性组合，维度 ($r$)
   • ($A$) 的零空间（Null space of ($A$)）：满足 ($Ax=0$) 的所有解向量，维度 ($n-r$)
   • ($A^T$) 的零空间（Null space of ($A^T$)）：满足 ($A^T y=0$) 的所有解向量，维度 ($m-r$)
2. 核心结论：矩阵的秩（rank） ($r$) 同时等于线性无关列的数量和线性无关行的数量，这是线性代数最核心的定理之一。

对比记忆表

结合前言内容与考研核心考点，我把四大子空间整理成了这张极简对比表，你直接背这个就行，完全对应Strang教授的讲解逻辑：

子空间名称	符号表示	定义（本质是什么）	所在空间	维度公式	核心特征（必记）	对应方程
列空间	$\text{Col}(A)$	矩阵所有列向量的线性组合	$\mathbb{R}^m$ ($m$ 维空间)	$\text{dim} = r$ ($r$为秩)	包含矩阵的所有列	$Ax = b$ (有解的条件：$b$在列空间中)
行空间	$\text{Row}(A)$	矩阵所有行向量的线性组合 (即 $A^T$ 的列空间)	$\mathbb{R}^n$ ($n$ 维空间)	$\text{dim} = r$ ($r$为秩)	包含矩阵的所有行	$A^T y = b$
零空间	$\text{Nul}(A)$	满足 $Ax=0$ 的所有解向量 $x$	$\mathbb{R}^n$ ($n$ 维空间)	$\text{dim} = n - r$ (秩-零度定理)	所有向量都与行空间正交 (垂直于行空间)	$Ax = 0$ (最基本方程)
左零空间	$\text{Nul}(A^T)$	满足 $A^T y=0$ 的所有解向量 $y$	$\mathbb{R}^m$ ($m$ 维空间)	$\text{dim} = m - r$	所有向量都与列空间正交 (垂直于列空间)	$A^T y = 0$ 即 $yA = 0$

3个黄金记忆口诀（考研必考）

1. 维度口诀：

   • 列/行空间的维度都是秩 $r$。
   • 零空间维度 = 未知数个数 $n$ - 秩 $r$。
   • 左零空间维度 = 方程个数 $m$ - 秩 $r$。

2. 正交口诀：

   • $x$ 在 $n$ 维里：$x$（零空间）垂直于行空间。
   • $y$ 在 $m$ 维里：$y$（左零空间）垂直于列空间。

3. 本质口诀：

   • 列空间装的是输出（$b$）。
   • 零空间装的是输入（$x$，特别是那些被映射成0的输入）。