{
  "id": "column-space",
  "title": "列空间",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "矩阵的列空间是其列向量张成的向量子空间，由矩阵与向量相乘所能得到的全部输出组成。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "列向量空间"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/column-space/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/column-space/",
      "json": "https://aiwiki.page/en/column-space.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "在线性代数中，矩阵的列空间是其列向量的所有线性组合构成的集合。对于域 \\(\\mathbb F\\) 上的 \\(m\\times n\\) 矩阵 \\(A\\)，列空间是 \\(\\mathbb F^m\\) 的一个线性子空间，通常记为 \\(\\operatorname{Col}(A)\\)。等价地，它是当 \\(x\\) 遍历 \\(\\mathbb F^n\\) 时所有向量 \\(Ax\\) 构成的集合。列空间描述了矩阵能够产生哪些输出，以及线性方程组的右端向量取哪些值时方程组有解。"
    },
    {
      "heading": "定义与解释",
      "text": "将 \\(A\\) 的各列记为 \\(a_1,\\ldots,a_n\\)，即\n\n\\[A=\\begin{bmatrix}a_1&a_2&\\cdots&a_n\\end{bmatrix}.\\]\n\n则\n\n\\[\\operatorname{Col}(A) =\\operatorname{span}\\{a_1,\\ldots,a_n\\} =\\left\\{\\sum_{j=1}^{n}x_ja_j:x_j\\in\\mathbb F\\right\\}.\\]\n\n这里，\\(\\operatorname{span}\\) 表示线性包。由于\n\n\\[Ax=x_1a_1+\\cdots+x_na_n,\\]\n\n同一定义也可以写成\n\n\\[\\operatorname{Col}(A)=\\{Ax:x\\in\\mathbb F^n\\}.\\]\n\n列空间包含零向量，并且对向量加法和数乘运算封闭。这些性质使它本身也构成一个向量空间。\n\n矩阵定义了一个线性映射\n\n\\[T_A:\\mathbb F^n\\longrightarrow\\mathbb F^m, \\qquad T_A(x)=Ax.\\]\n\n其列空间恰好是这个映射的像。像是线性映射的内在属性；选定基并用矩阵表示该映射后，才能将其描述为列空间。\n\n对于实矩阵，其几何意义尤为直观。一维列空间是经过原点的直线，二维列空间是经过原点的平面。列空间总是位于由矩阵行数确定的空间中：\\(m\\times n\\) 矩阵的列空间位于 \\(\\mathbb F^m\\) 中，而通常并不位于 \\(\\mathbb F^n\\) 中。"
    },
    {
      "heading": "维数、秩与基",
      "text": "列空间的维数就是矩阵的秩：\n\n\\[\\dim\\operatorname{Col}(A)=\\operatorname{rank}(A).\\]\n\n因此，\n\n\\[0\\leq\\operatorname{rank}(A)\\leq\\min(m,n).\\]\n\n尽管所有列向量共同张成列空间，但它们未必构成一组基。从列向量中选取一个极大的线性无关子集，即可得到一组基。\n\n以下两种情形尤为重要：\n\n- 列满秩： \\(\\operatorname{rank}(A)=n\\)。所有列向量线性无关，构成列空间的一组基。这要求 \\(n\\leq m\\)。\n- 行满秩： \\(\\operatorname{rank}(A)=m\\)。列空间等于整个陪域 \\(\\mathbb F^m\\)。这要求 \\(m\\leq n\\)。\n\n对于方阵，列空间等于整个环境空间，当且仅当该矩阵存在逆矩阵。\n\n用消元法求基\n\n高斯消元法可以确定 \\(A\\) 的阶梯形矩阵中的主元列。原矩阵中处于这些主元位置的列向量构成 \\(\\operatorname{Col}(A)\\) 的一组基。\n\n这一区别至关重要：初等行变换通常会改变列空间。若经过行化简得到\n\n\\[R=EA,\\]\n\n其中 \\(E\\) 可逆，则\n\n\\[\\operatorname{Col}(R)=E\\operatorname{Col}(A).\\]\n\n这两个空间的维数相同，但未必是同一个子空间。行变换保留了各列之间的线性相关关系，因此仍可根据主元位置在原矩阵中选出一组基。\n\n相比之下，右乘一个可逆的 \\(n\\times n\\) 矩阵 \\(B\\) 不会改变列空间：\n\n\\[\\operatorname{Col}(AB)=\\operatorname{Col}(A).\\]\n\n这种乘法将各列替换为它们自身的可逆线性组合，而不改变它们所张成的空间。"
    },
    {
      "heading": "示例",
      "text": "考虑实矩阵\n\n\\[A= \\begin{bmatrix} 1&2&0\\\\ 0&0&1\\\\ 1&2&1 \\end{bmatrix}.\\]\n\n其列向量为\n\n\\[a_1=\\begin{bmatrix}1\\\\0\\\\1\\end{bmatrix}, \\qquad a_2=\\begin{bmatrix}2\\\\0\\\\2\\end{bmatrix}, \\qquad a_3=\\begin{bmatrix}0\\\\1\\\\1\\end{bmatrix}.\\]\n\n由于 \\(a_2=2a_1\\)，第二列没有引入新的方向。第一列与第三列线性无关，因此\n\n\\[\\operatorname{Col}(A) = \\left\\{ \\begin{bmatrix}s\\\\t\\\\s+t\\end{bmatrix} :s,t\\in\\mathbb R \\right\\}.\\]\n\n所以，列空间是 \\(\\mathbb R^3\\) 中的平面\n\n\\[z=x+y\\]\n\n且 \\(A\\) 的秩为二。\n\n向量 \\((1,2,3)^{\\mathsf T}\\) 属于这个平面，而 \\((1,2,4)^{\\mathsf T}\\) 不属于。因此，\\(Ax=(1,2,3)^{\\mathsf T}\\) 有解，而 \\(Ax=(1,2,4)^{\\mathsf T}\\) 无解。"
    },
    {
      "heading": "可解性与零空间",
      "text": "线性方程组\n\n\\[Ax=b\\]\n\n有解，当且仅当\n\n\\[b\\in\\operatorname{Col}(A).\\]\n\n等价地，将 \\(b\\) 作为额外的一列添入矩阵后，秩不增加：\n\n\\[\\operatorname{rank}\\begin{bmatrix}A&b\\end{bmatrix} =\\operatorname{rank}(A).\\]\n\n列空间决定了哪些输出可以实现。零空间\n\n\\[\\ker(A)=\\{x\\in\\mathbb F^n:Ax=0\\},\\]\n\n则决定了不同输入是否会产生相同的输出。若 \\(x_0\\) 是 \\(Ax=b\\) 的一个解，则每个解都具有如下形式：\n\n\\[x=x_0+z,\\qquad z\\in\\ker(A).\\]\n\n因此，一个有解的方程组具有唯一解，当且仅当其零空间为 \\(\\{0\\}\\)。\n\n这两个空间通过秩—零化度定理联系起来：\n\n\\[\\dim\\operatorname{Col}(A)+\\dim\\ker(A)=n.\\]"
    },
    {
      "heading": "正交性与最小二乘法",
      "text": "在配备标准内积的 \\(\\mathbb R\\) 或 \\(\\mathbb C\\) 上，列空间满足\n\n\\[\\operatorname{Col}(A)^\\perp=\\ker(A^*),\\]\n\n其中 \\({}^\\perp\\) 表示正交补，\\(A^*\\) 是共轭转置。对于实矩阵，\\(A^*=A^{\\mathsf T}\\)。\n\n事实上，向量 \\(y\\) 与 \\(A\\) 的每一列都正交，当且仅当 \\(A^*y=0\\)。因此，\n\n\\[\\mathbb F^m =\\operatorname{Col}(A)\\oplus\\ker(A^*).\\]\n\n这些关于正交性的结论需要以内积空间为背景，而列空间的基本定义不需要。\n\n这一分解是最小二乘法的基础。如果 \\(b\\) 不属于列空间，就不存在精确解，但优化问题\n\n\\[\\min_x\\|Ax-b\\|_2\\]\n\n可以找到距离 \\(b\\) 最近的可实现输出。拟合向量\n\n\\[\\widehat b=A\\widehat x\\]\n\n是 \\(b\\) 在 \\(\\operatorname{Col}(A)\\) 上的正交投影，其残差满足\n\n\\[A^*(b-A\\widehat x)=0.\\]\n\n即使系数向量 \\(\\widehat x\\) 不唯一，拟合向量仍是唯一的。\n\n若 \\(A\\) 列满秩，则投影矩阵为\n\n\\[P=A(A^*A)^{-1}A^*.\\]\n\n或者，若 \\(Q\\) 的列向量构成列空间的一组标准正交基，则\n\n\\[P=QQ^*.\\]\n\n在线性回归中，设计矩阵的列空间是所有可能的拟合响应向量构成的集合。采用普通最小二乘法时，如果设计矩阵的各列线性相关，不同的系数向量就可能产生相同的拟合结果。"
    },
    {
      "heading": "数值计算",
      "text": "在精确运算中，主元列决定一组基。在浮点运算中，对于接近线性相关的列向量则需要更加谨慎：微小扰动就可能改变矩阵的精确秩，因此数值计算通常会借助容差来确定一个有效列空间。\n\nQR分解通常结合列主元选取，可以给出这一有效空间的一组标准正交基。奇异值分解\n\n\\[A=U\\Sigma V^*\\]\n\n给出了另一种刻画：若 \\(A\\) 的精确秩为 \\(r\\)，则与其 \\(r\\) 个非零奇异值对应的左奇异向量构成 \\(\\operatorname{Col}(A)\\) 的一组标准正交基。\n\n将足够小的奇异值视为零，得到的是列空间的近似，而未必是其精确的代数结果。容差的选择取决于数值尺度、运算精度以及矩阵元素的不确定性。"
    }
  ],
  "links": [
    "linear-algebra",
    "matrix",
    "linear-combination",
    "field-mathematics",
    "linear-subspace",
    "linear-span",
    "vector-space",
    "linear-map",
    "image-linear-map",
    "dimension-vector-space",
    "matrix-rank",
    "basis-linear-algebra",
    "linear-independence",
    "inverse-matrix",
    "gaussian-elimination",
    "system-of-linear-equations",
    "null-space",
    "rank-nullity-theorem",
    "inner-product",
    "orthogonal-complement",
    "conjugate-transpose",
    "least-squares",
    "orthogonal-projection",
    "orthonormal-basis",
    "linear-regression",
    "ordinary-least-squares",
    "floating-point-arithmetic",
    "qr-decomposition",
    "singular-value-decomposition"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}