本文将重点探讨线性代数中最核心的概念之一：矩阵所蕴含的四个基本子空间。在深入探讨之前，我们先通过回顾一个关于矩阵列向量相关性的问题，来揭示行空间与列空间之间的内在联系。
一、引言：行空间与列空间的关联
在构建三维空间 \(\mathbb{R}^3\) 的基时，我们知道需要三个线性无关的向量。假设我们选取了向量 \( \begin{pmatrix} 1 \\1 \\2\end{pmatrix} \) 和 \( \begin{pmatrix} 2 \\2 \\5 \end{pmatrix} \) ，它们显然是线性无关的。如果我们试图加入第三个向量 \( \begin{pmatrix} 3 \\3 \\8\end{pmatrix} \) 来构成一组基，这将会失败。
原因不需要通过复杂的线性组合计算来验证。只需将这三个列向量组成一个 \(3 \times 3\) 的矩阵：
观察这个矩阵可以发现，它的第一行和第二行是完全相同的。一个具有两行相等的方阵，其行列式必为零，矩阵不可逆。这也意味着该矩阵的行向量是线性相关的。行向量的线性相关性直接决定了列向量的线性相关性，因此这三个列向量无法构成 \(\mathbb{R}^3\) 的基。
这个例子引出了一个重要的结论：矩阵的行空间与列空间有着极其紧密的联系。 接下来，我们将系统地定义和剖析这四个基本子空间。
二、四个基本子空间的定义与位置
对于一个 \(m \times n\) 的矩阵 \(A\) ，它自然地生成了四个基本子空间：
- 列空间 (Column Space)，记为 \(C(A)\) 。
它是矩阵 A 所有列向量的线性组合。 - 零空间 (Null Space)，记为 \(N(A)\) 。
它是方程组 \(Ax = 0\) 的所有解向量的集合。 - 行空间 (Row Space)，记为 \(C(A^T)\) 。
它是矩阵 \(A\) 所有行向量的线性组合。为了在数学表达上统一使用列向量的形式，我们对矩阵 \(A\) 进行转置，将行空间的求法转化为求转置矩阵 \(A^T\) 的列空间，因此记作 \(C(A^T)\) 。 - 左零空间 (Left Null Space)，记为 \(N(A^T)\) 。
它是转置矩阵 \(A^T\) 的零空间。之所以称为“左”零空间，是因为根据方程 \(A^T y = 0\) ，对其两边取转置可得 \(y^T A = 0^T\) 。此时向量 \(y^T\) 以行向量的形式在左侧乘上矩阵 \(A\) 。
这些子空间分别位于哪个多维空间中？
- 矩阵 \(A\) 有 \(n\) 列，因此解向量 \(x\) 包含 \(n\) 个分量，零空间 \(N(A)\) 位于 \(\mathbb{R}^n\) 中。
- 矩阵 \(A\) 的行向量包含 \(n\) 个分量，因此行空间 \(C(A^T)\) 也位于 \(\mathbb{R}^n\) 中。
- 矩阵 \(A\) 有 \(m\) 行，其列向量包含 \(m\) 个分量，列空间 \(C(A)\) 位于 \(\mathbb{R}^m\) 中。
- 转置矩阵 \(A^T\) 的解向量包含 \(m\) 个分量，因此左零空间 \(N(A^T)\) 也位于 \(\mathbb{R}^m\) 中。
三、四个子空间的维数与基
理解这些空间的本质，就是要弄清它们的维数（Dimension）以及如何构造它们的基（Basis）。假设矩阵 \(A\) 的秩（Rank）为 \(r\) 。
1. 列空间 \(C(A)\)
- 维数： \(r\)（即矩阵的秩）。
- 基的构造： 通过行化简操作找到矩阵 \(A\) 的主元列（包含主元的列）。需要注意的是，基向量必须是原矩阵 \(A\) 中对应的主元列，而不是化简后矩阵中的列。
2. 行空间 \(C(A^T)\)
- 维数： \(r\) 。行空间与列空间的维数相等，这是一个极其优美的数学事实。
- 基的构造： 对矩阵 \(A\) 进行消元，得到简化行阶梯形式的矩阵 \(R\) 。行变换会改变原矩阵的列空间，但绝对不会改变行空间。因为行变换本质上是对行向量进行线性组合，生成的新行依然在原行空间内。因此，矩阵 \(R\) 的前 \(r\) 个非零行构成了矩阵 \(A\) 行空间的一组最优且最简洁的基。
3. 零空间 \(N(A)\)
- 维数： \(n – r\) 。即自由变量的数量。在 \(\mathbb{R}^n\) 空间中，行空间的维数 \(r\) 与零空间的维数 \(n-r\) 之和恰好等于总维数 \(n\) 。
- 基的构造： 通过令自由变量分别取特殊的基准值（如一个取 \(1\) ，其余取 \(0\) ），求得的 \(n – r\) 个“特解”（Special Solutions）即构成了零空间的基。
4. 左零空间 \(N(A^T)\)
- 维数： \(m – r\) 。在 \(\mathbb{R}^m\) 空间中，列空间的维数 \(r\) 与左零空间的维数 \(m-r\) 之和恰好等于总维数 \(m\) 。
- 基的构造： 左零空间的基并不容易直接从化简后的矩阵 \(R\) 中看出来，它需要记录从 \(A\) 到 \(R\) 的所有行变换过程。
如何求解左零空间的基？
我们可以用前面文章中求逆矩阵时使用的 Gauss-Jordan 消元法。我们将一个 \(m \times m\) 的单位矩阵 \(I\) 拼接在 \(m \times n\) 的矩阵 \(A\) 右侧，构成增广矩阵 \([A \mid I]\)。
经过一系列行变换，矩阵 \(A\) 变成了简化行阶梯矩阵 \(R\) ，而单位矩阵 \(I\) 记录了所有的行变换步骤，变成了一个记录矩阵 \(E\) 。即：$$E A = R$$ 矩阵 \(E\) 将 \(A\) 转化为了 \(R\) 。如果 \(R\) 中出现了全零行，那么 \(E\) 中对应的行向量，就是使得 \(A\) 的行向量线性组合为零的系数向量。这些向量恰好满足 \(y^T A = 0^T\) ，因此，矩阵 \(E\) 中对应于 \(R\) 中零行的那些行向量，就构成了左零空间的基。
四、拓展视角：从实数空间到矩阵空间
到目前为止，我们讨论的向量空间都是实数空间 \(\mathbb{R}^n\) 或其子空间。现在，我们扩展一下“向量”的概念：矩阵也可以作为向量空间中的向量。
以所有 \(3 \times 3\) 的实数矩阵组成的集合 \(M\) 为例。
虽然它们是矩阵，但如果我们将它们视作整体，它们满足向量空间的所有八条公理（例如：矩阵可以相加、可以数乘、存在零矩阵等）。在这个视角下，我们只关心矩阵的线性组合，忽略矩阵之间的乘法操作。
在这个矩阵空间 \(M\) 中，同样存在子空间：
- 上三角矩阵子空间：所有对角线下方元素为零的 \(3 \times 3\) 矩阵。
- 对称矩阵子空间：所有满足 \(A = A^T\) 的 \(3 \times 3\) 矩阵。
- 对角矩阵子空间 D：两个子空间的交集必然是子空间。上三角矩阵与对称矩阵的交集就是对角矩阵。
对角矩阵子空间 D 的维数是多少？
为了找到维数，我们需要构造一组基。对于 \(3 \times 3\) 的对角矩阵，任意矩阵都可以由以下三个矩阵线性组合而成，且这三个矩阵线性无关：
$$\begin{pmatrix} 1 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix},
\begin{pmatrix} 0 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 0 \end{pmatrix}, \begin{pmatrix} 0 & 0 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 1 \end{pmatrix}$$
因此，所需基向量的数量为 \(3\) ，对角矩阵子空间 \(D\) 的维数为 \(3\) 。
通过将向量空间的概念延伸到矩阵层面，我们证明了线性代数的核心思维（基、维数、线性组合、子空间）具有极强的普适性。无论是分析传统的列向量，还是研究复杂的矩阵系统，四个基本子空间的框架始终是我们最有力的数学工具。