矩阵特征值的实际应用

1、高斯消元（初等行变换）解方程

原方程如下:

$$\{\begin{array}{l}-x_1+x_2=0\\ x_1-x_2=0\end{array}$$

写成矩阵形式 $Ax=0$： $$\left(\begin{array}{cc}-1& 1\\ 1& -1\end{array}\right)\mathbf{x}=0$$

写成增广矩阵（右边是 0）： $$\left[\begin{array}{ccc}-1& 1& 0\\ 1& -1& 0\end{array}\right]$$

第一步，交换两行（方便一点）： $$R_1\leftrightarrow R_2\Rightarrow \left[\begin{array}{ccc}1& -1& 0\\ -1& 1& 0\end{array}\right]$$

第二步，用第一行消去第二行： $$R_2\leftarrow R_2+R_1$$

得到： $$\left[\begin{array}{ccc}1& -1& 0\\ 0& 0& 0\end{array}\right]$$

现在已经是行阶梯形矩阵了，对应的方程是： $$x_1-x_2=0$$

令自由变量：$x_2=t(t\in \mathbb{R})$ 则：$x_1=t$，所以解集为：$\mathbf{x}=\left(\begin{array}{c}t\\ t\end{array}\right)=t\left(\begin{array}{c}1\\ 1\end{array}\right),t\in \mathbb{R}$

2、特征值和特征向量

一句话版的直觉：特征向量是在线性变换作用下，方向不变（只被拉伸或压缩）的向量。

先从代数角度来看。

给定一个方阵 $A$，如果存在一个 非零向量 $\mathbf{v}$ 和一个数 $\lambda$，满足$A\mathbf{v}=\lambda \mathbf{v}$ 那么：

• $\lambda$ 叫做 特征值
• $\mathbf{v}$ 叫做 对应的特征向量

这句话的代数含义是： 矩阵 $A$ 作用在 $\mathbf{v}$ 上，结果并没有“换方向”，只是变成了原来的 $\lambda$ 倍。

把式子挪一下：$(A-\lambda I)\mathbf{v}=0$

这说明一件关键的事： 特征向量就是齐次线性方程组的非零解。

所以代数上的流程是：

1. 解方程 $\det (A-\lambda I)=0$，得到特征值 (TODO:这里介绍下行列式)
2. 对每个特征值 $\lambda$，解 $(A-\lambda I)\mathbf{v}=0$
3. 解空间（零空间）里所有非零向量，都是对应的特征向量(TODO:这里介绍下子空间，零空间)

从代数结构上看，特征向量形成的是一个线性子空间，称为特征子空间。

接着从几何角度来看，这里是理解的关键。

矩阵可以看成一个线性变换：

• 在二维里：平面 → 平面
• 在三维里：空间 → 空间

一般情况下，一个向量经过变换后：

• 长度变了
• 方向也变了（被“旋转 + 拉伸”）

但特征向量很特殊。

如果 $\mathbf{v}$ 是特征向量，那么：$A\mathbf{v}=\lambda \mathbf{v}$

几何上意味着：

• 向量仍然落在原来的那条直线上

• 只发生了缩放：

  • $\lambda >1$：拉长
  • $0<\lambda <1$：压缩
  • $\lambda <0$：反向再缩放
  • $\lambda =0$：被压到原点

所以你可以这样理解： 特征向量指出了这个线性变换“最稳定的方向”。

在二维平面里：

• 特征向量对应的是不被扭转的直线
• 整个平面被“压扁 / 拉伸 / 翻折”，但这些直线方向保持不变

把代数和几何连起来看，会非常清晰。

• 代数上： $(A-\lambda I)\mathbf{v}=0$ 有非零解
• 几何上： 线性变换在某些方向上，只做伸缩，不做旋转

这也是为什么对角矩阵那么简单： $$\left(\begin{array}{cc}{\lambda }_1& 0\\ 0& {\lambda }_2\end{array}\right)$$

它的特征向量就是坐标轴方向，因为：

• x 轴方向只被 ${\lambda }_1$ 缩放
• y 轴方向只被 ${\lambda }_2$ 缩放 完全没有“混合方向”

而一般矩阵能否对角化，本质上就在问一句话： 能不能找到一组方向，使得变换在这些方向上只是缩放？

总结:

• 代数定义： 特征向量是满足 $A\mathbf{v}=\lambda \mathbf{v}$ 的非零向量
• 几何意义： 特征向量是线性变换下方向不变、只发生伸缩的向量方向
• 本质作用： 它们揭示了矩阵最“本征”的变换方向，是对角化和很多应用的基础

3、一个 n 维方阵，最多有几个特征值和特征向量，最少有几个？

这是一个线性代数里的经典问题，可以从“代数重数”和“几何重数”两个层面来理解。

先说特征值的个数。

对一个 $n\times n$ 的方阵，特征值来自它的特征多项式，而特征多项式是一个 n 次多项式。

在复数域 $\mathbb{C}$ 上：

• 最多有 $n$ 个特征值（都不相同的情况）。
• 最少也有 1 个特征值（比如全部重合，只有一个不同的特征值）。

在实数域 $\mathbb{R}$ 上：

• 最多仍然是 $n$ 个实特征值。
• 最少可以是 0 个实特征值（例如二维旋转矩阵，特征值是共轭复数对）。

接下来说特征向量的个数。这里要特别注意：

• “特征向量的个数”如果按严格意义来讲，其实是无穷多个（因为一个特征向量乘以任意非零标量还是特征向量）。
• 所以通常我们讨论的是 线性无关的特征向量个数，也就是特征子空间的维数。

对于每一个特征值：

• 至少有 1 个线性无关的特征向量。
• 至多有 该特征值的代数重数 个线性无关特征向量。

对整个矩阵来说：

• 线性无关特征向量的最多个数是 (n)，此时矩阵可对角化。
• 线性无关特征向量的最少个数是 1（所有特征值都一样，而且只有一个方向的特征向量，比如一个 Jordan 块）。

可以简单总结成一句话，方便记忆：

• 特征值（复数域）：最多 $n$，最少 1
• 线性无关特征向量：最多 $n$，最少 1

总结一下行变换视角：

• 有一行化成了全 0 → 方程不独立
• 主元只有 1 个 → 秩为 1
• 一个自由变量 → 解空间是一条直线

4、特征分解（对角化）

先看一个 2×2 的矩阵：

$$A=\left(\begin{array}{cc}2& 1\\ 1& 2\end{array}\right)$$

这是一个很典型、而且一定可以对角化的矩阵。

第一步：求特征值 解特征方程 $$\det (A-\lambda I)=0$$

• $I$ 是单位矩阵，指其主对角线上的元素都为 1，其余所有元素都为 0 的正方矩阵。2 维单位矩阵就是 $\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)$

• $\lambda I$ 就是用标量乘单位矩阵，最终得 $\left(\begin{array}{cc}\lambda & 0\\ 0& \lambda \end{array}\right)$

• $A-\lambda I$ 是两个相同形状矩阵的各对应元素相减

  $\left(\begin{array}{cc}2& 1\\ 1& 2\end{array}\right)-\left(\begin{array}{cc}\lambda & 0\\ 0& \lambda \end{array}\right)$ $=\left(\begin{array}{cc}2-\lambda & 1-0\\ 1-0& 2-\lambda \end{array}\right)$ $=\left(\begin{array}{cc}2-\lambda & 1\\ 1& 2-\lambda \end{array}\right)$

• $\left|\begin{array}{}\end{array}\right|$ 这两个竖线是行列式操作，2 维方阵$\left(\begin{array}{cc}a& b\\ c& d\end{array}\right)$的行列式计算就是主对角线乘积减去副对角线乘积 $ad-bc$

列方程得：

$$\left|\begin{array}{cc}2-\lambda & 1\\ 1& 2-\lambda \end{array}\right|=(2-\lambda {)}^2-1=0$$

整理： $$\begin{gathered} (2-\lambda {)}^2-1=0 \\ {2}^2-2\ast 2\ast \lambda +{\lambda }^2-1=0 \\ {\lambda }^2-4\lambda -3=0 \end{gathered}$$

解这个二次方程：

• 十字相乘法：因为二次项系数是 1
  • 直接找两个数乘积等于常数项 3，和等于一次项系数 -4
  • −1 和 −3 满足条件
  • 得 $(\lambda -3)(\lambda -1)=0$
  • 得 ${\lambda }_1=3,{\lambda }_2=1$
• 配方： $$\begin{gathered} {\lambda }^2-4\lambda +3=0 \\ ({\lambda }^2-4\lambda +4)-4+3=0 \\ (\lambda -2{)}^2-1=0 \\ (\lambda -2-1)(\lambda -2+1)=0 \\ (\lambda -3)(\lambda -1)=0 \end{gathered}$$
  • 得 ${\lambda }_1=3,{\lambda }_2=1$

这一步告诉我们： 矩阵 (A) 在两个“特殊方向”上，只做拉伸（不发生旋转或剪切）。

第二步：求特征向量

由特征值的定义 $Av=\lambda v$，得 $Av-\lambda v=0$，简化得 $(A-\lambda I)v=0$

对 ${\lambda }_1=3$，解 $$(A-3I)\mathbf{x}=0$$

$$\left[\left(\begin{array}{cc}2& 1\\ 1& 2\end{array}\right)-3\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)\right]\mathbf{x}=0$$

$$\left[\left(\begin{array}{cc}2& 1\\ 1& 2\end{array}\right)-\left(\begin{array}{cc}3& 0\\ 0& 3\end{array}\right)\right]\mathbf{x}=0$$

$$\left(\begin{array}{cc}2-3& 1-0\\ 1-0& 2-3\end{array}\right)\mathbf{x}=0$$

$$\left(\begin{array}{cc}-1& 1\\ 1& -1\end{array}\right)\mathbf{x}=0$$

解特征向量 x：

设 $$\mathbf{x}=\left(\begin{array}{c}{x}_1\\ x_2\end{array}\right)$$

那么

$$\left(\begin{array}{cc}-1& 1\\ 1& -1\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\end{array}\right)=\left(\begin{array}{c}-x_1+x_2\\ x_1-x_2\end{array}\right)=\left(\begin{array}{c}0\\ 0\end{array}\right)$$

得到方程组： $$\{\begin{array}{l}-x_1+x_2=0\\ x_1-x_2=0\end{array}$$

用高斯消元得 $$\mathbf{x}={\mathbf{v}}_1=\left(\begin{array}{c}1\\ 1\end{array}\right)$$

对 ${\lambda }_2=1$，解

$$(A-I)\mathbf{x}=0$$

$$\left(\begin{array}{cc}1& 1\\ 1& 1\end{array}\right)\mathbf{x}=0$$

解特征向量： $${\mathbf{v}}_2=\left(\begin{array}{c}1\\ -1\end{array}\right)$$

第三步：写出特征分解（对角化）

把特征向量按列放在一起，组成矩阵 $$P=\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)$$

把对应的特征值放在对角线上： $$D=\left(\begin{array}{cc}3& 0\\ 0& 1\end{array}\right)$$

这时就可以写出： $A=PD{P}^{-1}$

这一步就是特征分解 / 对角化。

直观理解一下

• 在标准坐标系里，矩阵 $A$ 做的是“混合的拉伸 + 旋转”。
• 但如果我们换到由特征向量 $(1,1)$、$(1,-1)$ 组成的新坐标系里：

• 在第一个方向上，所有向量都被放大 3 倍
• 在第二个方向上，所有向量都被放大 1 倍

所以在这个坐标系下，矩阵的作用就变成了一个纯粹的对角矩阵 (D)。

为什么对角化很重要？ 比如计算 $A^{10}$：

$$A^{10}=P{D}^{10}{P}^{-1}$$

而 $$D^{10}=\left(\begin{array}{cc}{3}^{10}& 0\\ 0& 1^{10}\end{array}\right)$$

这比直接算 $A^{10}$ 要简单得多。这也是特征分解在微分方程、PCA、图算法、物理系统里特别常见的原因。

5. 找到了一个矩阵的所有特征值与其对应的特征向量后，空间中的其它向量的变换都可以通过它们的线性组合表示吗？

这是一个非常关键、也非常容易混淆的问题。结论先给出来，然后再解释“什么时候可以、什么时候不可以”。

结论一句话版： 只有在“特征向量能够张成整个空间”的情况下，空间中任意向量的变换，才能完全通过特征向量的线性组合来表示。 也就是说，矩阵必须是可对角化的。

下面分层次把这个问题讲清楚。

先从理想情况说起：可以做到的情况。

假设 $A$ 是一个 $n\times n$ 矩阵，你找到了 $n$ 个线性无关的特征向量 $${\mathbf{v}}_1,{\mathbf{v}}_2,\dots ,{\mathbf{v}}_n$$ 它们构成一组基。

那么对任意向量 $\mathbf{x}$，都可以唯一表示为 $$\mathbf{x}=c_1{\mathbf{v}}_1+\cdots +c_n{\mathbf{v}}_n$$

利用线性性， $$A\mathbf{x}=c_{1}A{\mathbf{v}}_1+\cdots +c_{n}A{\mathbf{v}}_n=c_1{\lambda }_1{\mathbf{v}}_1+\cdots +c_n{\lambda }_n{\mathbf{v}}_n$$

几何上可以理解为： 在特征向量坐标系中，矩阵作用只是分别缩放各个坐标轴。

这正是对角化： $$A=PD{P}^{-1}$$ 其中 $P$ 的列是特征向量，$D$ 是特征值对角阵。

在这种情况下，你的问题的答案是： 是的，空间中其它任意向量的变换，都可以通过特征向量的线性组合完全描述。

接下来是关键的反例情况：做不到的时候。

问题出在一句话上：

“找到了一个矩阵的所有特征值与其对应的特征向量”

这并不自动保证特征向量够用。

可能出现两种问题。

第一种：特征值个数够，但特征向量不够多。

例如矩阵 $$A=\left(\begin{array}{cc}1& 1\\ 0& 1\end{array}\right)$$

它只有一个特征值 $\lambda =1$， 对应的特征向量只有一条方向： $$\mathbf{v}=\left(\begin{array}{c}1\\ 0\end{array}\right)$$

整个二维空间显然不能只靠这一条方向张成。

此时：

• 你仍然可以分解出一部分向量
• 但不是所有向量都能写成特征向量的线性组合
• 更谈不上用它们来描述全部变换

这种矩阵称为不可对角化矩阵。

第二种：代数重数大于几何重数。

从线性代数角度说：

• 特征值的重数（代数重数）可能大
• 但对应的特征向量维数（几何重数）不够

当所有特征值的几何重数之和 < n 时， 特征向量不能构成一组基。

这正是“找到了所有特征值和特征向量，但还不够用”的精确定义。

那做不到时怎么办？

这时需要引入广义特征向量，把矩阵化成 Jordan 标准形： $A=PJ{P}^{-1}$

几何意义是：

• 除了“纯缩放方向”
• 还存在“被拉伸 + 平移到另一方向”的耦合结构

此时，空间中任意向量的变换：

• 不能只靠特征向量描述
• 但可以靠特征向量 + 广义特征向量来完整表示

最后给你一个非常清晰的判断标准。

对于一个 $n\times n$ 矩阵 $A$：

• 如果存在 $n$ 个线性无关的特征向量 → 可以，所有向量的变换都能用它们的线性组合表示
• 如果特征向量不够 $n$ 个 → 不可以，只能描述部分方向
• 若想完全描述 → 必须引入广义特征向量（Jordan 分解）

一句话收尾： 特征向量能否“解释整个空间”，本质不在于你找没找到特征值，而在于它们能不能构成一组基。

6、如何快速判断一个矩阵有几个特征值和特征向量？如何判断它能否对角化？

这是线性代数里非常实用的一组“快速判断规则”。我按你真正做题、做推导时的思路来讲，而不是按教科书顺序。

先说特征值有几个，怎么快速判断。

对一个 $n\times n$ 矩阵：

1️⃣ 特征值的总数（含重数）一定是 $n$ 这是由特征 多项式 $\det (A-\lambda I)$是一个 $n$ 次多项式决定的。

所以：

• 至多 $n$ 个特征值
• 若按“不同的特征值”数，则是 $\le n$

接着说特征向量有几个，核心看什么。 特征向量不是数，是空间的维数问题。

对每一个特征值 $\lambda$：

• 解 $(A-\lambda I)\mathbf{v}=0$
• 得到一个零空间
• 这个零空间的维数，叫 几何重数

快速判断规则是： $1\le \text{几何重数}\le \text{代数重数}$

也就是说：

• 每个特征值至少有一个方向
• 但可能不够多

然后是你真正关心的：如何快速判断能不能对角化。

一句话判据先给出来：

一个 $n\times n$ 矩阵 可以对角化 ⇔ 它有 $n$ 个线性无关的特征向量 ⇔ 所有特征值的几何重数之和等于 $n$

下面是“实战级”的判断顺序。

第一步：看特征值是否全都不同（最快）

如果矩阵有 (n) 个互不相同的特征值：

👉 一定可以对角化

这是最快、最省事、几乎不需要算特征向量的判断。

例如：

• 实对称矩阵（特征值全实）
• 一般有不同特征值的矩阵

第二步：有重特征值时，检查对应的零空间维数

当某个特征值 $\lambda$ 的代数重数是 $k$：

• 解 $(A-\lambda I)\mathbf{v}=0$
• 看零空间维数是否也是 (k)

如果：

• 对每个特征值都满足 几何重数 = 代数重数 👉 可对角化

只要有一个不满足，就不行。

第三步：一个非常实用的“坏信号”

在算行变换时，如果你发现：

• 某个 $(A-\lambda I)$ 的秩太大
• 零空间维数偏小
• 明显“缺方向”

那这个矩阵大概率不可对角化

典型代表：上三角 + 主对角线全相同。

再给你几个常见矩阵的秒判结论。

• 实对称矩阵： 一定可以正交对角化

• 不同特征值的矩阵： 一定可以对角化

• Jordan 块（剪切矩阵）： 不可对角化

• 单位矩阵 (I)： 特征值全是 1，但特征向量空间是整个空间 → 可对角化

判断流程:

• 写出特征多项式，确定代数重数
• 若特征值全不同 → 结束（可对角化）
• 若有重根 → 解对应齐次方程
• 检查每个特征值的几何重数之和是否等于 $n$

一句话收尾： 特征值决定“缩放因子”，特征向量决定“方向够不够”，对角化本质上就是在问：方向够不够多。

好，这里我直接给你最常见、最有代表性的例子，每一类一个，而且顺手点出它们在“特征值 / 特征向量 / 是否可对角化”上的典型特征，方便你对照记忆。

** 1、上三角矩阵（最常见的“看对角线”例子）**

$$A=\left(\begin{array}{ccc}2& 1& 3\\ 0& 1& 4\\ 0& 0& -1\end{array}\right)$$

特点：

• 特征值就是对角线元素：$2,1,-1$
• 不一定对称
• 是否可对角化要看对应的特征向量是否够多 （仅“上三角”本身不能保证可对角化）

2️⃣ 实对称矩阵（最友好的一类）

$$B=\left(\begin{array}{cc}2& 1\\ 1& 3\end{array}\right)$$

特点：

• 主对角线随便（对称性不约束它）只检查主对角线两侧是否镜像相等
• 一定有实特征值
• 不同特征值对应的特征向量正交
• 一定可以正交对角化 $B=QD{Q}^T$

这是线性代数里“性质最好”的矩阵类型之一。

3️⃣ 剪切矩阵（典型的不可对角化）

$C=\left(\begin{array}{cc}1& 1\\ 0& 1\end{array}\right)$

特点：

• 只有一个特征值 $\lambda =1$（代数重数 2）
• 只有一条特征向量方向
• 不可对角化
• 几何上：把正方形剪成平行四边形

这是理解 Jordan 形最经典的例子。

4️⃣ 单位矩阵（“什么都不做”）

$$I=\left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)$$

特点：

• 唯一特征值：$\lambda =1$，代数重数 2
• 任意非零向量都是特征向量
• 特征向量空间是整个平面
• 不仅可对角化，而且已经是对角的

这是“特征值重复但完全没问题”的代表。

5️⃣ 旋转矩阵（看清“实数域 vs 复数域”）

$$R=\left(\begin{array}{cc}\cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{array}\right),\theta \ne k\pi$$

特点：

• 在 实数域：

  • 没有实特征值
  • 没有实特征向量
  • 不可对角化

• 在 复数域：

  • 特征值是 $e^{\pm i\theta }$
  • 可以对角化

几何意义非常直观： 纯旋转不存在“方向不变”的实向量。

给你一个速记对照总结：

• 上三角：特征值看对角线，对角化不一定
• 实对称：性质最好，一定可正交对角化
• 剪切矩阵：特征值重复 + 向量不够 → 不可对角化
• 单位矩阵：特征值重复但方向无限 → 完全没问题
• 旋转矩阵：实数域下“没有稳定方向”

有没有一个n维方阵它的去除重复后的特征值数量小于n，但线性无关的特征向量数量等于n的情况？

有，而且这是完全可能的、而且很典型的情况。这类矩阵正是“有重特征值但仍然可对角化”的矩阵。

关键在于三个概念的区别：

• 特征值的“去重数量”
• 特征值的代数重数
• 特征向量的个数（即几何重数之和）

线性无关的特征向量总数 = 各特征值对应的几何重数之和。

只要每个特征值的 $$\text{几何重数}=\text{代数重数}$$ 那么即使有重特征值，特征向量也“够用”，总数仍然是 (n)。

一个非常直观的例子（非单位阵）：

$$A=\left(\begin{array}{ccc}2& 0& 0\\ 0& 2& 0\\ 0& 0& 3\end{array}\right)$$

• 去重后的特征值：$2,3$，数量 2 < 3

• 代数重数：$\lambda =2$ 是 2，$\lambda =3$ 是 1

• 特征向量：

  • 对应 $\lambda =2$ 有 2 个线性无关特征向量
  • 对应 $\lambda =3$ 有 1 个线性无关特征向量

总共正好 3 个线性无关特征向量。

一个矩阵可以有几个零空间？它和矩阵的特征向量的特殊有什么关系？

这是一个非常好的问题，而且正好把“零空间”和“特征向量”这两条线彻底连在一起。

先给结论，再解释关系。

1️⃣ 一个矩阵有几个零空间？

严格来说：

一个给定的矩阵 (A)，只有一个零空间。

这个零空间指的是 $$\mathcal{N}(A)=x\mid Ax=0$$

它是一个固定的线性子空间，不会有多个。

但你前面看到的 $$\mathcal{N}(A-2I),\mathcal{N}(A-3I)$$ 并不是“$A$ 的零空间”，而是不同矩阵的零空间。

2️⃣ 那为什么感觉“好像有很多零空间”？

因为我们在研究同一个矩阵 $A$ 时，会不断看： $$\mathcal{N}(A-\lambda I)$$ 对不同的 $\lambda$。

这些是不同矩阵的零空间，不是同一个。

3️⃣ 零空间和特征向量的关系（关键点）

这是核心联系：

$$(A-\lambda I)x=0⟺Ax=\lambda x$$

所以：

$\mathcal{N}(A-\lambda I)$ 正好就是特征值 $\lambda$ 的特征子空间。

也就是说：

• 零空间 ≈ “特征向量的集合”（加上零向量）
• 只不过是针对 $A-\lambda I$，而不是 $A$ 本身

4️⃣ 从这个角度重新看特征向量

可以这样理解：

• 特征向量不是“额外的东西”
• 它们只是某些特殊矩阵 $A-\lambda I$ 的零空间中的向量

而这些“特殊的 $\lambda$”就是使零空间不再只有零向量的数。

5️⃣ 一句话把关系说透

• $A$ 的零空间：描述被 $A$ 压到 0 的方向
• $\lambda$ 的特征向量：描述被 $A$ 压缩/拉伸但方向不变的方向
• 数学上，它们统一为： $\text{特征子空间}=\mathcal{N}(A-\lambda I)$

如何快速判断一个矩阵的零空间的维度？

这是一个非常实用的问题。判断零空间维度，其实有一条几乎“秒杀”的通用思路。

先给最核心的结论，再说怎么用。

核心结论（必须记住）

对一个 $m\times n$ 矩阵 $A$： $\dim \mathcal{N}(A)=n-\mathrm{rank}(A)$

这就是秩–零度定理。

所以真正的问题就变成一句话：

矩阵有多少个“独立的列”（或行）？

最快的判断方法（分情况）

第一种：矩阵已经是对角形 / 上三角形 / 下三角形

这是最快的。

• 非零对角元的个数 = 秩
• 零对角元的个数 = 零空间维度（对方阵）

例如： $$A-2I=\left(\begin{array}{ccc}0& 0& 0\\ 0& 0& 0\\ 0& 0& 1\end{array}\right)$$

• 秩 = 1
• 列数 = 3
• 零空间维度 = (3-1=2)

几乎一眼就能看出来。

第二种：一般矩阵（最通用）

行化简到行最简阶梯形（RREF）：

• 主元个数 = 秩
• 自由变量个数 = 零空间维度

不必真的写出通解，只数“没有主元的列”。

第三种：方阵的“快速特判”

如果 $A$ 是 $n\times n$ 方阵：

• $\det (A)\ne 0$ → 可逆 → 秩 = $n$ → 零空间维度 = 0

• $\det (A)=0$ → 至少 1 维零空间 → 但具体维数还要看秩掉了多少

第四种：利用特征值（对方阵很快）

对方阵 (A)：

• 0 是特征值 ⇔ 零空间非平凡
• 0 的几何重数 = $\dim \mathcal{N}(A)$

所以如果你已经知道特征结构，零空间维度可以直接读出来。

一行总结

• 想快： 看秩
• 更快（对角/三角）： 数非零对角元
• 已知特征值： 看 0 的几何重数