1.4 向量空间与四大子空间

前三节我们用向量—矩阵—方程组的语言解决了线性代数的基本计算问题。本节将完成一次重要的视角跃迁——从具体的数表上升到抽象的空间。我们将看到，矩阵 $A$ 是一个数表，也是连接两个向量空间的桥梁：它把输入空间 ${\mathbb{R}}^n$ 映射到输出空间 ${\mathbb{R}}^m$，并在两个空间中各自刻画出两个子空间——列空间、零空间、行空间、左零空间。这四大基本子空间构成了线性代数重要的结构图景，是理解最小二乘、SVD、PCA 等高级方法的核心。

1.4.1 从几何平面到抽象空间的跃迁

向量空间的严格公理化定义

到目前为止，我们把向量理解为有方向的箭头或一列数。但这种直觉在遇到多项式、函数、矩阵等对象时会失效：它们不是箭头，也不是一列数，却同样可以进行加法和数乘等运算。为了统一刻画这些对象，线性代数提出了向量空间（Vector Space）的公理化定义。

向量空间 $V$ 是一个非空集合，其上定义了两种运算：加法 $+:V\times V\to V$ 和数乘 $\cdot :\mathbb{R}\times V\to V$，且满足以下八条公理（设 $\mathbf{u},\mathbf{v},\mathbf{w}\in V$，$c,d\in \mathbb{R}$）：

加法公理（4 条）：

1. 交换律：$\mathbf{u}+\mathbf{v}=\mathbf{v}+\mathbf{u}$
2. 结合律：$(\mathbf{u}+\mathbf{v})+\mathbf{w}=\mathbf{u}+(\mathbf{v}+\mathbf{w})$
3. 加法单位元：存在 $\mathbf{0}\in V$，使 $\mathbf{v}+\mathbf{0}=\mathbf{v}$
4. 加法逆元：对每个 $\mathbf{v}$，存在 $-\mathbf{v}$，使 $\mathbf{v}+(-\mathbf{v})=\mathbf{0}$

数乘公理（4 条）：

5. 数乘对向量加法的分配律：$c(\mathbf{u}+\mathbf{v})=c\mathbf{u}+c\mathbf{v}$
6. 数乘对实数加法的分配律：$(c+d)\mathbf{v}=c\mathbf{v}+d\mathbf{v}$
7. 数乘结合律：$c(d\mathbf{v})=(cd)\mathbf{v}$
8. 数乘单位元：$1\cdot \mathbf{v}=\mathbf{v}$

这八条公理是向量空间的最小完备条件——任何满足这八条的对象都可以用线性代数的全部工具研究。这种公理化思维是现代数学的标志：不关心对象是什么，只关心对象能做什么。

常见的向量空间实例

公理化定义的威力在于，它可以涵盖不同的对象：

1. 欧氏空间 ${\mathbb{R}}^n$：常见的向量空间，元素是 $n$ 元实数组，加法和数乘按分量进行。
2. 多项式空间 ${\mathcal{P}}_n$：所有次数不超过 $n$ 的实系数多项式构成的空间。${\mathcal{P}}_2$ 中的元素形如 $a_0+a_{1}x+a_2{x}^2$，加法是多项式相加，数乘是多项式数乘。
3. 矩阵空间 ${\mathbb{R}}^{m\times n}$：所有 $m\times n$ 实矩阵构成的空间。加法是矩阵加法，数乘是矩阵数乘。
4. 函数空间：定义在 $[a,b]$ 上的所有连续函数构成的空间 $C[a,b]$，加法是函数相加，数乘是函数数乘。这是无限维向量空间的典型例子。

这些空间的元素形态各异（数组、多项式、矩阵、函数），但都满足八条公理，因此都可以用线性代数的语言研究。

向量空间的十大基本性质

从八条公理可以推导出一系列常用性质，其中重要的有：

1. 零元唯一：若 ${\mathbf{0}}_1,{\mathbf{0}}_2$ 都是加法单位元，则 ${\mathbf{0}}_1={\mathbf{0}}_2$。
2. 负元唯一：每个向量的负元是唯一的。
3. $0\cdot \mathbf{v}=\mathbf{0}$：零数乘任何向量得零向量。
4. $c\cdot \mathbf{0}=\mathbf{0}$：任何数乘零向量得零向量。
5. $(-1)\cdot \mathbf{v}=-\mathbf{v}$：负一数乘得负元。
6. 若 $c\mathbf{v}=\mathbf{0}$，则 $c=0$ 或 $\mathbf{v}=\mathbf{0}$：这是消去律的向量版本。

这些性质的证明都需要从公理出发，是抽象代数训练的基础。

什么是子空间？

子空间（Subspace）是向量空间 $V$ 的一个非空子集 $W$，且 $W$ 本身也是向量空间（继承 $V$ 的加法和数乘）。判断子空间不必验证全部八条公理，只需验证三要素：

子空间三要素验证法：

1. 非空（通常验证包含零向量）：$\mathbf{0}\in W$
2. 加法封闭：若 $\mathbf{u},\mathbf{v}\in W$，则 $\mathbf{u}+\mathbf{v}\in W$
3. 数乘封闭：若 $\mathbf{u}\in W$，$c\in \mathbb{R}$，则 $c\mathbf{u}\in W$

为什么只需这三条？因为其余公理（交换律、结合律等）在 $V$ 中已经成立，自然在子集 $W$ 中也成立——只要运算结果不跑出 $W$。这是封闭性的核心意义。

平凡子空间与真子空间

任何向量空间 $V$ 都有两个平凡子空间：

• 零空间 $\{\mathbf{0}\}$：只含零向量，维数为 0。
• 全空间 $V$ 自身。

既非 $\{\mathbf{0}\}$ 也非 $V$ 的子空间称为真子空间（Proper Subspace）。例如在 ${\mathbb{R}}^3$ 中，过原点的直线和平面都是真子空间。

子空间的几何直觉：必须穿过原点

子空间最关键的几何特征是必须穿过原点。这是因为子空间必须包含零向量（三要素之一）。因此有：

过原点的平面是 ${\mathbb{R}}^3$ 的子空间

不过原点的平面属于仿射集（将在 1.4.7 节看到它与子空间的关系），不属于子空间

过原点的直线是子空间

不过原点的直线不是子空间

这一几何直觉是理解四大子空间的基石：所有四大子空间都是过原点的。

import numpy as np

# 验证子空间三要素：过原点的平面 z = 0 是 R^3 的子空间
# 任取两个向量 u, v 在平面上（即 z 分量为 0）
u = np.array([1, 2, 0])
v = np.array([3, -1, 0])

# 1. 包含零向量：零向量 [0,0,0] 在平面上
print(f"零向量在平面上: {0 == 0}")

# 2. 加法封闭：u + v 仍在平面上
print(f"u + v = {u + v}, z 分量 = {(u+v)[2]}")  # z=0

# 3. 数乘封闭：5u 仍在平面上
print(f"5u = {5*u}, z 分量 = {(5*u)[2]}")  # z=0

# 反例：不过原点的平面 z = 1 不是子空间
# u = [1, 2, 1] 在平面上，但 0*u = [0, 0, 0] 不在平面上（z=0 ≠ 1）
print(f"\n反例：z=1 平面上向量 [1,2,1] 数乘 0 得 {0*np.array([1,2,1])}，z 分量为 0 ≠ 1，不封闭")

交互演示：子空间三要素验证

下面的演示用 3D 场景直观展示子空间必须过原点这一核心特征。4 个预设按钮分别展示：

1. 过原点平面（绿色，是子空间）：平面 $ax+by+cz=0$，三要素全部通过
2. 过原点直线（绿色，是子空间）：直线方向向量 $\mathbf{v}$，过原点
3. 偏移平面（红色，非子空间）：平面 $ax+by+cz=d$（$d\ne 0$），不过原点
4. 偏移直线（红色，非子空间）：直线 $\mathbf{p}+t\mathbf{v}$（$\mathbf{p}\ne \mathbf{0}$），不过原点

关键观察：

• 绿色集合的包含零向量项显示通过，红色集合显示不通过
• 两个示例向量 $\mathbf{u},\mathbf{v}$（黄色箭头）在集合内，其和 $\mathbf{u}+\mathbf{v}$（橙色箭头）——绿色集合中和仍在集合内（加法封闭），红色集合中和通常不在集合内
• 不过原点的集合是仿射集，是子空间的平移，将在 1.4.7 节与子空间建立联系

交互演示：本节子空间三要素的动态验证已合并至下一节的 SpanBasisDemo 组件中，可滑动调节向量并观察张成空间是否过原点。

1.4.2 张成、线性无关与基 —— 空间的骨架

张成的正式定义

给定 ${\mathbb{R}}^n$ 中的一组向量 $S=\{{\mathbf{v}}_1,{\mathbf{v}}_2,\dots ,{\mathbf{v}}_k\}$，它们的张成（Span）定义为所有线性组合构成的集合：

$$\text{span}(S)=\{c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2+\cdots +c_k{\mathbf{v}}_k:c_i\in \mathbb{R}\}$$

张成是一个子空间——它包含零向量（所有 $c_i=0$），且对加法和数乘封闭。$\text{span}(S)$ 是包含 $S$ 的最小子空间。

张成的几何意义

张成的几何形状取决于向量的个数和是否共线。单个非零向量 $\mathbf{v}$ 张成一条过原点的直线（沿 $\mathbf{v}$ 方向）；两个不共线向量 ${\mathbf{v}}_1,{\mathbf{v}}_2$ 张成一个过原点的平面；三个不共面向量 ${\mathbf{v}}_1,{\mathbf{v}}_2,{\mathbf{v}}_3$ 张成整个 ${\mathbb{R}}^3$。若两个向量共线，张成的仍是一条直线，因为第二个向量没贡献新方向。

张成的维度等于这组向量的有效方向数，即接下来定义的秩。

线性相关与线性无关

一组向量 $S=\{{\mathbf{v}}_1,\dots ,{\mathbf{v}}_k\}$ 称为线性相关（Linearly Dependent），如果存在不全为零的标量 $c_1,\dots ,c_k$，使得：

$$c_1{\mathbf{v}}_1+c_2{\mathbf{v}}_2+\cdots +c_k{\mathbf{v}}_k=\mathbf{0}$$

否则称为线性无关（Linearly Independent）——即上式仅当所有 $c_i=0$ 时才成立。

几何直觉：线性相关意味着至少有一个向量可以由其余向量线性表示——它没有贡献新方向。线性无关意味着每个向量都贡献独立的方向。

判定线性无关的实用方法

把向量作为列组成矩阵 $A=[{\mathbf{v}}_1|{\mathbf{v}}_2|\cdots |{\mathbf{v}}_k]$，则：

• 线性无关 $\iff \text{rank}(A)=k$（满列秩）
• 线性相关 $\iff \text{rank}(A)<k$

这是最实用的判定方法——只需做高斯消元数主元个数。

基的双重判定条件

基（Basis）是向量空间 $V$ 的一组向量 $\mathcal{B}=\{{\mathbf{b}}_1,{\mathbf{b}}_2,\dots ,{\mathbf{b}}_n\}$，满足两个条件：

1. 线性无关：$\mathcal{B}$ 中的向量线性无关
2. 张成整个空间：$\text{span}(\mathcal{B})=V$

基是空间的骨架——既不冗余（线性无关），又足够（张成整个空间）。任何向量都可以唯一地表示为基的线性组合。

标准基与坐标向量

${\mathbb{R}}^n$ 的标准基（Standard Basis）是 $\{{\mathbf{e}}_1,{\mathbf{e}}_2,\dots ,{\mathbf{e}}_n\}$，其中 ${\mathbf{e}}_i$ 是第 $i$ 个分量为 1、其余为 0 的向量。在标准基下，向量 $\mathbf{v}=(v_1,v_2,\dots ,v_n{)}^T$ 的坐标（Coordinates）就是它本身——$[\mathbf{v}{]}_{\mathcal{B}}=(v_1,v_2,\dots ,v_n{)}^T$。

但如果换一组基，同一个向量的坐标会改变。坐标的意义在于：它把几何对象翻译成代数数对，使我们能用数论、组合等工具研究几何问题。

维数的定义

向量空间 $V$ 的维数（Dimension）$\dim (V)$ 定义为基中向量的个数。如果 $V$ 有有限基，称为有限维（Finite-Dimensional）；否则称为无限维（Infinite-Dimensional）。

• $\dim ({\mathbb{R}}^n)=n$
• $\dim ({\mathcal{P}}_n)=n+1$（基为 $\{1,x,x^2,\dots ,x^n\}$）
• $\dim ({\mathbb{R}}^{m\times n})=mn$（基为所有只有一个元素为 1、其余为 0的矩阵）
• $\dim (C[a,b])=\mathrm{\infty }$（无限维）

基的扩张定理与缩减定理

扩张定理（Extension Theorem）：向量空间 $V$ 中任意线性无关组都可以扩张成 $V$ 的一组基。即若 $\{{\mathbf{v}}_1,\dots ,{\mathbf{v}}_k\}$ 线性无关，则存在 ${\mathbf{v}}_{k+1},\dots ,{\mathbf{v}}_n$ 使得 $\{{\mathbf{v}}_1,\dots ,{\mathbf{v}}_n\}$ 是 $V$ 的基。

缩减定理（Reduction Theorem）：向量空间 $V$ 中任意张成组都可以缩减成 $V$ 的一组基。即若 $\text{span}(S)=V$，则存在 $S$ 的子集 $S^{\prime }$ 使得 $S^{\prime }$ 是 $V$ 的基。

这两个定理保证了基的存在性——无论从哪个方向出发（从线性无关组扩张，或从张成组缩减），都能找到一组基。

维数的良定义性

一个自然的问题：同一空间的不同基，向量个数相同吗？答案是相同——这就是维数的良定义性。证明思路：若 ${\mathcal{B}}_1$ 有 $n$ 个向量，${\mathcal{B}}_2$ 有 $m$ 个向量且 $m>n$，则 ${\mathcal{B}}_2$ 必线性相关（因为 ${\mathcal{B}}_1$ 张成整个空间，${\mathcal{B}}_2$ 中向量都可由 ${\mathcal{B}}_1$ 表示，多于 $n$ 个就必然相关）。因此 $m\le n$，对称地 $n\le m$，故 $m=n$。

import numpy as np
from sympy import Matrix

# 示例：判断三个向量是否构成 R^3 的基
v1 = np.array([1, 0, 0])
v2 = np.array([1, 1, 0])
v3 = np.array([1, 1, 1])

A = np.column_stack([v1, v2, v3])
print(f"矩阵 A =\n{A}")
print(f"行列式 = {np.linalg.det(A):.4f}")  # 1.0 ≠ 0
print(f"rank = {np.linalg.matrix_rank(A)}")  # 3

# rank = 3 = 向量个数 → 线性无关
# rank = 3 = dim(R^3) → 张成整个 R^3
# 因此 {v1, v2, v3} 是 R^3 的一组基

# 反例：三个共线向量
w1 = np.array([1, 2, 3])
w2 = np.array([2, 4, 6])  # = 2*w1
w3 = np.array([-1, -2, -3])  # = -w1

W = np.column_stack([w1, w2, w3])
print(f"\n共线向量组 rank = {np.linalg.matrix_rank(W)}")  # 1，线性相关
print(f"张成的子空间维数 = 1（直线）")

交互演示：张成、线性无关与基

下面的演示让你直接操作向量，观察张成的子空间如何变化。4 个预设按钮覆盖四种典型情形：

1. 单向量：1 个向量张成一条过原点的直线（rank=1）
2. 两不共线向量：2 个向量张成一个过原点的平面（rank=2，线性无关）
3. 三不共面向量：3 个向量张成整个 ${\mathbb{R}}^3$（rank=3，构成基）
4. 共线向量：2 个共线向量仍只张成直线（rank=1，线性相关）

关键观察：

• 启用向量数 ≠ rank（共线时启用 2 个但 rank=1）
• rank = 启用数 → 线性无关；rank < 启用数 → 线性相关
• rank = 3 → 构成 ${\mathbb{R}}^3$ 的基；rank < 3 → 只是真子空间
• 张成子空间用半透明几何体显示：直线（绿）、平面（黄）、整个空间（青色线框）

1.4.3 列空间 —— 变换的靶向范围

列空间的严格定义

矩阵 $A\in {\mathbb{R}}^{m\times n}$ 的列空间（Column Space）$C(A)$ 定义为 $A$ 的所有列向量的张成：

$$C(A)=\text{span}\{{\mathbf{a}}_1,{\mathbf{a}}_2,\dots ,{\mathbf{a}}_n\}=\{A\mathbf{x}:\mathbf{x}\in {\mathbb{R}}^n\}$$

其中 ${\mathbf{a}}_j$ 是 $A$ 的第 $j$ 列。第二个等式表明，列空间就是所有可能的输出 $A\mathbf{x}$——这是矩阵所代表线性变换的像空间（Image / Range）。

列空间的几何本质

列空间回答了一个核心问题：矩阵 $A$ 能把向量送到哪里？ 答案是：只能送到 $C(A)$ 中。无论输入什么 $\mathbf{x}$，输出 $A\mathbf{x}$ 始终落在 $C(A)$ 内——这是列空间的本质。

列空间是 ${\mathbb{R}}^m$ 的子空间（注意：$m$ 是行数，不是列数）。因为 $A\mathbf{x}\in {\mathbb{R}}^m$，所有可能的 $A\mathbf{x}$ 构成 ${\mathbb{R}}^m$ 的子集，且这个子集满足子空间三要素。

列空间维数定理

列空间维数定理：$\dim (C(A))=\text{rank}(A)$

这一结论的直觉是：列空间的基就是 $A$ 的主元列——线性无关的列向量。主元列的个数是 rank。因此列空间的维数等于秩。

列空间的基：主元列

如何找列空间的基？做法是：

1. 对 $A$ 做高斯消元，得到 RREF
2. 找出主元所在的列（主元列）
3. 回到原矩阵 $A$，取出对应位置的列——这些列就是 $C(A)$ 的基

注意：基向量应从原矩阵中取出。RREF 的主元列只是位置标记，真正的基向量来自原矩阵。

列空间与满射的关系

线性映射 $A:{\mathbb{R}}^n\to {\mathbb{R}}^m$ 是满射（Surjective，onto）当且仅当 $C(A)={\mathbb{R}}^m$，即 $\text{rank}(A)=m$（行满秩）。满射意味着每个输出都被达到——${\mathbb{R}}^m$ 中的每个向量都是某个 $\mathbf{x}$ 的像。

列空间在 Ax = b 中的核心地位

相容性定理：方程组 $A\mathbf{x}=\mathbf{b}$ 有解（相容）当且仅当 $\mathbf{b}\in C(A)$。

这一结论自然：$A\mathbf{x}=\mathbf{b}$ 有解 $\iff$ 存在 $\mathbf{x}$ 使 $A\mathbf{x}=\mathbf{b}$ $\iff$ $\mathbf{b}$ 是某些列的线性组合 $\iff$ $\mathbf{b}\in C(A)$。

这就是 1.3 节克罗内克-卡佩利定理的几何本质——$\text{rank}(A)=\text{rank}([A|\mathbf{b}])$ 等价于 $\mathbf{b}\in C(A)$。

列空间的几何投影

在 3D 空间中可视化列空间：

• 满秩 rank=3：$C(A)$ 是整个 ${\mathbb{R}}^3$（任何 $\mathbf{b}$ 都有解）
• rank=2：$C(A)$ 是过原点的平面（$\mathbf{b}$ 必须落在此平面内才有解）
• rank=1：$C(A)$ 是过原点的直线（$\mathbf{b}$ 必须落在此直线上才有解）

当 $\mathbf{b}\notin C(A)$ 时，方程组无解。但我们可以求 $\mathbf{b}$ 在 $C(A)$ 上的投影 ${\mathbf{b}}_{\text{proj}}$，使 $A\mathbf{x}\approx {\mathbf{b}}_{\text{proj}}$ ——这就是最小二乘法的核心思想，将在 1.5 节展开。

import numpy as np

# 示例：3x3 矩阵的列空间
A = np.array([[1, 0, 1],
              [0, 1, 1],
              [0, 0, 0]])  # 第三行全零，rank=2

# rank = 2，列空间是 z=0 平面（前两列张成）
print(f"rank(A) = {np.linalg.matrix_rank(A)}")  # 2
print(f"列空间维数 = 2（z=0 平面）")

# b1 在列空间内（z=0）
b1 = np.array([2, 3, 0])
print(f"\nb1 = {b1}, 在 C(A) 中? rank([A|b1]) = {np.linalg.matrix_rank(np.column_stack([A, b1]))}")  # 2 = rank(A)

# b2 不在列空间内（z=1）
b2 = np.array([2, 3, 1])
print(f"b2 = {b2}, 在 C(A) 中? rank([A|b2]) = {np.linalg.matrix_rank(np.column_stack([A, b2]))}")  # 3 > rank(A)

# b2 在列空间上的投影 = 去掉 z 分量
b2_proj = np.array([2, 3, 0])
print(f"b2 在 C(A) 上的投影 = {b2_proj}（最小二乘解的右端）")

交互演示：列空间与方程可解性

下面的演示展示列空间 $C(A)$ 的几何形态，以及 $\mathbf{b}$ 是否在 $C(A)$ 中如何决定 $A\mathbf{x}=\mathbf{b}$ 的可解性。3 个预设按钮覆盖三种 rank 情形：

1. 满秩 rank=3：列空间是整个 ${\mathbb{R}}^3$（青色线框立方体），任何 $\mathbf{b}$ 都有解
2. 秩 2：列空间是过原点平面（黄色半透明），$\mathbf{b}$ 必须在平面内才有解
3. 秩 1：列空间是过原点直线（橙色），$\mathbf{b}$ 必须在直线上才有解

关键交互：

• 拖动 $\mathbf{b}$ 向量的 3 个滑块，观察 $\mathbf{b}$ 是否落在 $C(A)$ 中
• $\mathbf{b}\notin C(A)$ 时，显示 $\mathbf{b}$ 在 $C(A)$ 上的投影（金色虚线 + 投影点小球）
• 实时显示 $\text{rank}(A)$、$\text{rank}([A|\mathbf{b}])$、判定结果、解的情况

交互演示：列空间与零空间的联合演示见 1.4.4 节末尾 ColumnNullSpaceDemo 组件，可同时观察 $C(A)$ 与 $N(A)$ 的对称结构。

1.4.4 零空间 —— 变换的压缩内核

零空间的严格定义

矩阵 $A\in {\mathbb{R}}^{m\times n}$ 的零空间（Null Space）$N(A)$ 定义为所有被 $A$ 映射到零向量的输入：

$$N(A)=\{\mathbf{x}\in {\mathbb{R}}^n:A\mathbf{x}=\mathbf{0}\}$$

零空间也叫核（Kernel），记作 $\ker (A)$。

零空间的几何本质

零空间回答了另一个核心问题：哪些输入被 $A$ 压缩为零？ 这些向量在变换中消失了——它们携带的信息在变换后无法恢复。

零空间是 ${\mathbb{R}}^n$ 的子空间（注意：$n$ 是列数，不是行数）。子空间三要素验证：

• $\mathbf{0}\in N(A)$（因为 $A\mathbf{0}=\mathbf{0}$，平凡解总是存在）
• 若 $\mathbf{x}\in N(A)$，则 $c\mathbf{x}\in N(A)$（因为 $A(c\mathbf{x})=c(A\mathbf{x})=c\mathbf{0}=\mathbf{0}$）
• 若 $\mathbf{x},\mathbf{y}\in N(A)$，则 $\mathbf{x}+\mathbf{y}\in N(A)$（因为 $A(\mathbf{x}+\mathbf{y})=A\mathbf{x}+A\mathbf{y}=\mathbf{0}$）

零空间维数定理

零空间维数定理（秩-零度定理）：$\dim (N(A))=n-\text{rank}(A)$

$\dim (N(A))$ 称为零度（Nullity）。这一定理的几何含义是：输入空间 ${\mathbb{R}}^n$ 的 $n$ 维被分成两部分——$\text{rank}$ 维被 $A$ 保留为非零像（列空间维度），$n-\text{rank}$ 维被 $A$ 压扁为零（零空间维度）。

零空间的基：基础解系

如何找零空间的基？做法是：

1. 化 $A$ 为 RREF
2. 主元列对应主变量，非主元列对应自由变量
3. 对每个自由变量，令它取 1、其余自由变量取 0，回代求出主变量
4. 得到一个基础解向量；自由变量个数 = 基础解系向量个数 = 零度

这些基础解向量就是 $N(A)$ 的基。

零空间与单射的关系

线性映射 $A:{\mathbb{R}}^n\to {\mathbb{R}}^m$ 是单射（Injective，one-to-one）当且仅当 $N(A)=\{\mathbf{0}\}$，即 $\text{rank}(A)=n$（满列秩）。单射意味着不同输入对应不同输出——没有任何两个不同的输入被映射到同一输出，这等价于没有任何非零输入被映射到零。

零空间的几何可视化

在 3D 空间中可视化零空间（$n=3$）：

• rank=3（满秩）：$N(A)=\{\mathbf{0}\}$，零空间仅原点（0 维点）
• rank=2：$\dim (N(A))=1$，零空间是过原点的直线
• rank=1：$\dim (N(A))=2$，零空间是过原点的平面
• rank=0（零矩阵）：$\dim (N(A))=3$，零空间是整个 ${\mathbb{R}}^3$

零空间的压缩效应

零空间越大，意味着被压成零的向量越多——变换的信息损失越大。极端情况 $A=O$（零矩阵），所有向量都被压成零，$N(A)={\mathbb{R}}^n$，信息完全丢失。

零空间与列空间形成对称：列空间描述输出去哪里，零空间描述哪些输入消失。两者共同刻画了线性变换的行为画像。

零空间的对称之美

列空间是 ${\mathbb{R}}^m$ 的子空间（输出空间），零空间是 ${\mathbb{R}}^n$ 的子空间（输入空间）。它们处于不同空间，却通过秩-零度定理紧密联系：$\dim (C(A))+\dim (N(A))=\text{rank}(A)+(n-\text{rank}(A))=n$。这一对称性将在 1.4.7 节扩展为四大子空间的完整结构。

1.4.5 行空间 —— 被忽视的行视角

行空间的严格定义

矩阵 $A\in {\mathbb{R}}^{m\times n}$ 的行空间（Row Space）$C(A^T)$ 定义为 $A$ 的所有行向量的张成，等价于 $A^T$ 的列空间：

$$C(A^T)=\text{span}\{{\mathbf{r}}_1,{\mathbf{r}}_2,\dots ,{\mathbf{r}}_m\}$$

其中 ${\mathbf{r}}_i$ 是 $A$ 的第 $i$ 行（作为行向量）。

行空间的几何本质

行空间是 ${\mathbb{R}}^n$ 的子空间（与零空间处于同一空间！）。这一点很重要——行空间和零空间都在输入空间 ${\mathbb{R}}^n$ 中，它们将共同分割 ${\mathbb{R}}^n$（见 1.4.7 节）。

行视角回答的问题是：矩阵 $A$ 的行向量在输入空间中铺成了什么样的子空间？ 这一视角虽然不如列视角直观，但有着重要的几何意义。

核心定理：行秩等于列秩

行秩等于列秩定理：$\dim (C(A^T))=\dim (C(A))=\text{rank}(A)$

这是线性代数重要的定理之一。它表明：无论从行视角还是列视角看，矩阵承载的独立信息量是相同的。行向量和列向量的有效方向数相等——尽管它们处于不同的空间（${\mathbb{R}}^n$ vs ${\mathbb{R}}^m$）。

这一定理的证明思路：初等行变换不改变行空间（行向量间的线性关系不变），且不改变列空间的维度（线性相关的列仍线性相关）。化 $A$ 为 RREF 后，主元的个数既是行空间的维数（非零行数），也是列空间的维数（主元列数）——因此两者相等。

行空间的基：非零行

如何找行空间的基？做法是：

1. 对 $A$ 做高斯消元，得到 RREF
2. RREF 中的非零行就是行空间的一组基

注意：行空间的基可以直接从 RREF 读取（不需要回到原矩阵），因为初等行变换不改变行空间。这与列空间的基求法（必须回到原矩阵）形成对比。

行空间与列空间的对称性

行空间和列空间在求解 $A\mathbf{x}=\mathbf{b}$ 中有对称地位：

• $\mathbf{b}\in C(A)$：方程组有解（输出空间的约束）
• $\mathbf{x}$ 的行空间分量决定唯一解：若 $\mathbf{x}={\mathbf{x}}_r+{\mathbf{x}}_n$（行空间分量 + 零空间分量），则 $A\mathbf{x}=A{\mathbf{x}}_r$（因为 $A{\mathbf{x}}_n=\mathbf{0}$）。因此方程组的特解可以取在行空间中，这是最小范数解的来源。

import numpy as np
from sympy import Matrix

A = np.array([[1, 2, 3],
              [2, 4, 6],   # = 2 × 第一行
              [1, 1, 1]])

# 行空间：消元后非零行
M = Matrix(A)
rref, pivots = M.rref()
print(f"RREF:\n{rref}")
print(f"主元列: {pivots}")  # (0, 2)
print(f"rank = {len(pivots)}")  # 2

# 行空间的基 = RREF 的非零行
print(f"\n行空间基（RREF 非零行）:")
for i in range(len(pivots)):
    print(f"  r{i+1} = {list(rref.row(i))}")

# 列空间的基 = 原矩阵的主元列
print(f"\n列空间基（原矩阵主元列）:")
for c in pivots:
    print(f"  a{c+1} = {A[:, c]}")

1.4.6 左零空间 —— 行视角的压缩内核

左零空间的严格定义

矩阵 $A\in {\mathbb{R}}^{m\times n}$ 的左零空间（Left Null Space）$N(A^T)$ 定义为：

$$N(A^T)=\{\mathbf{y}\in {\mathbb{R}}^m:A^T\mathbf{y}=\mathbf{0}\}$$

等价地，$N(A^T)$ 是满足 ${\mathbf{y}}^{T}A={\mathbf{0}}^T$ 的所有 $\mathbf{y}$——左乘 $A$ 得零的行向量，因此称为左零空间。

左零空间的几何本质

左零空间是 ${\mathbb{R}}^m$ 的子空间（与列空间处于同一空间！）。它描述的是：哪些输出空间的向量与 $A$ 的所有行向量都正交——或者说，$A$ 的行向量的何种线性组合会得到零。

左零空间是 $A^T$ 的零空间，因此其维数由秩-零度定理给出：

$$\dim (N(A^T))=m-\text{rank}(A)$$

左零空间的基求法

如何找左零空间的基？做法是：

1. 构造增广矩阵 $[A|I_m]$（$I_m$ 是 $m\times m$ 单位矩阵）
2. 对其做初等行变换，把 $A$ 化为 RREF
3. RREF 中零行对应的 $I_m$ 部分，就是左零空间的基

或者更简单地：对 $A^T$ 求零空间基础解系。

左零空间与列空间的正交互补

左零空间与列空间处于同一空间 ${\mathbb{R}}^m$，且满足正交补关系（详见 1.4.7 节）：

• $N(A^T)\perp C(A)$：左零空间中的向量与列空间中的向量正交
• $\dim (N(A^T))+\dim (C(A))=(m-r)+r=m$：两者维度之和恰为 $m$，填满整个 ${\mathbb{R}}^m$

这一关系是四大子空间结构图的核心之一。

左零空间与相容性检验

左零空间中的向量 $\mathbf{y}$ 满足 ${\mathbf{y}}^{T}A={\mathbf{0}}^T$，等价于 ${\mathbf{y}}^{T}A\mathbf{x}=0$ 对所有 $\mathbf{x}$ 成立。因此 ${\mathbf{y}}^T\mathbf{b}=0$ 是 $A\mathbf{x}=\mathbf{b}$ 有解的必要条件——这就是约束或守恒律的代数形式。

在工程中，左零空间常对应系统的守恒量或约束方程。例如电路中的基尔霍夫电流定律、力学中的力平衡，都是某个矩阵的左零空间条件。

左零空间的工程意义

左零空间的维数 $m-r$ 给出了矩阵 $A$ 的行向量之间的独立约束个数。在数据拟合中，左零空间揭示了数据中哪些方向无法被模型解释——这些方向就是残差必须落入的子空间，是理解最小二乘残差分析的关键。

1.4.7 四大子空间的结构关系 —— 正交性与维度关系

维度方程组：四大维数的统一公式

设 $A\in {\mathbb{R}}^{m\times n}$，$\text{rank}(A)=r$。四大子空间的维数满足：

子空间	符号	所在空间	维数
列空间	$C(A)$	${\mathbb{R}}^m$	$r$
零空间	$N(A)$	${\mathbb{R}}^n$	$n-r$
行空间	$C(A^T)$	${\mathbb{R}}^n$	$r$
左零空间	$N(A^T)$	${\mathbb{R}}^m$	$m-r$

这四个维数完全由 $m,n,r$ 三个参数决定。注意两个关键观察：

• 行空间与零空间都在 ${\mathbb{R}}^n$ 中，维数和为 $r+(n-r)=n$
• 列空间与左零空间都在 ${\mathbb{R}}^m$ 中，维数和为 $r+(m-r)=m$

这两个维数和等于空间维数的事实，暗示着更深层的几何关系——正交互补。

正交补的定义

子空间 $V$ 的正交补（Orthogonal Complement）$V^{\perp }$ 定义为：

$$V^{\perp }=\{\mathbf{u}:\mathbf{u}\cdot \mathbf{v}=0\text{ 对所有 }\mathbf{v}\in V\}$$

即 $V^{\perp }$ 是所有与 $V$ 中每个向量都正交的向量集合。正交补满足：

• $V^{\perp }$ 也是子空间
• $\dim (V)+\dim (V^{\perp })=\dim (\text{全空间})$
• $(V^{\perp }{)}^{\perp }=V$
• $V\cap V^{\perp }=\{\mathbf{0}\}$

核心正交关系 1：行空间 ⊥ 零空间

定理：在 ${\mathbb{R}}^n$ 中，行空间 $C(A^T)$ 与零空间 $N(A)$ 互为正交补。

证明：设 ${\mathbf{x}}_r\in C(A^T)$（行空间），${\mathbf{x}}_n\in N(A)$（零空间）。则 ${\mathbf{x}}_r$ 是 $A$ 的行向量的线性组合，即 ${\mathbf{x}}_r=A^T\mathbf{y}$（某个 $\mathbf{y}$）。于是：

$${\mathbf{x}}_r\cdot {\mathbf{x}}_n=(A^T\mathbf{y}{)}^T{\mathbf{x}}_n={\mathbf{y}}^{T}A{\mathbf{x}}_n={\mathbf{y}}^T\mathbf{0}=0$$

因此 ${\mathbf{x}}_r\perp {\mathbf{x}}_n$。维度验证：$r+(n-r)=n$，恰好填满 ${\mathbb{R}}^n$。

几何意义：输入空间 ${\mathbb{R}}^n$ 被正交分割为两部分——行空间（被 $A$ 保留为非零像的部分）和零空间（被 $A$ 压扁为零的部分）。任意 $\mathbf{x}\in {\mathbb{R}}^n$ 可唯一分解为：

$$\mathbf{x}={\mathbf{x}}_r+{\mathbf{x}}_n,{\mathbf{x}}_r\in C(A^T),{\mathbf{x}}_n\in N(A),{\mathbf{x}}_r\perp {\mathbf{x}}_n$$

核心正交关系 2：列空间 ⊥ 左零空间

定理：在 ${\mathbb{R}}^m$ 中，列空间 $C(A)$ 与左零空间 $N(A^T)$ 互为正交补。

证明：设 ${\mathbf{b}}_c\in C(A)$（列空间），${\mathbf{y}}_l\in N(A^T)$（左零空间）。则 ${\mathbf{b}}_c=A\mathbf{x}$（某个 $\mathbf{x}$），且 $A^T{\mathbf{y}}_l=\mathbf{0}$。于是：

$${\mathbf{b}}_c\cdot {\mathbf{y}}_l=(A\mathbf{x}{)}^T{\mathbf{y}}_l={\mathbf{x}}^T{A}^T{\mathbf{y}}_l={\mathbf{x}}^T\mathbf{0}=0$$

因此 ${\mathbf{b}}_c\perp {\mathbf{y}}_l$。维度验证：$r+(m-r)=m$，恰好填满 ${\mathbb{R}}^m$。

几何意义：输出空间 ${\mathbb{R}}^m$ 被正交分割为两部分——列空间（可达的输出）和左零空间（不可达的方向）。任意 $\mathbf{b}\in {\mathbb{R}}^m$ 可唯一分解为：

$$\mathbf{b}={\mathbf{b}}_c+{\mathbf{y}}_l,{\mathbf{b}}_c\in C(A),{\mathbf{y}}_l\in N(A^T),{\mathbf{b}}_c\perp {\mathbf{y}}_l$$

正交分解的唯一性

正交分解的唯一性来自一个关键事实：正交补的交集只有零向量。若 $\mathbf{x}$ 同时在 $V$ 和 $V^{\perp }$ 中，则 $\mathbf{x}\perp \mathbf{x}$，即 $\parallel \mathbf{x}{\parallel }^2=0$，故 $\mathbf{x}=\mathbf{0}$。

这意味着分解 $\mathbf{x}={\mathbf{x}}_r+{\mathbf{x}}_n$ 是唯一的——不存在第二种分解方式。这是最小二乘法、傅里叶级数、PCA 等众多方法的基础。

四大子空间在 Ax = b 中的统一几何图景

把四大子空间与 $A\mathbf{x}=\mathbf{b}$ 结合，得到完整的几何图景：

1. 输入侧（${\mathbb{R}}^n$）：$\mathbf{x}={\mathbf{x}}_r+{\mathbf{x}}_n$

   • ${\mathbf{x}}_r\in C(A^T)$：行空间分量，决定输出
   • ${\mathbf{x}}_n\in N(A)$：零空间分量，被 $A$ 压成零
   • $A\mathbf{x}=A{\mathbf{x}}_r+A{\mathbf{x}}_n=A{\mathbf{x}}_r$（零空间分量消失）

2. 输出侧（${\mathbb{R}}^m$）：$\mathbf{b}={\mathbf{b}}_c+{\mathbf{y}}_l$

   • ${\mathbf{b}}_c\in C(A)$：列空间分量，可被 $A$ 达到
   • ${\mathbf{y}}_l\in N(A^T)$：左零空间分量，不可被 $A$ 达到

3. 可解性：$A\mathbf{x}=\mathbf{b}$ 有解 $\iff {\mathbf{b}}_c=\mathbf{b}$（即 ${\mathbf{y}}_l=\mathbf{0}$，$\mathbf{b}$ 完全在列空间中）

4. 解的唯一性：若 ${\mathbf{x}}_p$ 是特解，则通解 $\mathbf{x}={\mathbf{x}}_p+{\mathbf{x}}_n$（${\mathbf{x}}_n\in N(A)$）。当 $N(A)=\{\mathbf{0}\}$（满列秩）时解唯一。

行空间与列空间的同构关系

虽然行空间 $C(A^T)\subseteq {\mathbb{R}}^n$ 和列空间 $C(A)\subseteq {\mathbb{R}}^m$ 处于不同空间，但它们通过矩阵 $A$ 建立了同构（Isomorphism）：

$$A{|}_{C(A^T)}:C(A^T)\to C(A),{\mathbf{x}}_r\mapsto A{\mathbf{x}}_r$$

这一映射是双射（一一对应）——行空间的每个向量唯一对应列空间的一个向量，反之亦然。同构保持线性结构，因此行空间与列空间代数上相同——它们维数相等（都为 $r$），这是行秩 = 列秩的几何本质。

左零空间与相容性检验

左零空间中的向量 ${\mathbf{y}}_l$ 满足 ${\mathbf{y}}_l^{T}A={\mathbf{0}}^T$，因此 ${\mathbf{y}}_l^T\mathbf{b}=0$ 是 $A\mathbf{x}=\mathbf{b}$ 有解的必要条件。这给出了相容性检验的另一种形式：

$A\mathbf{x}=\mathbf{b}$ 有解 $\iff$ 对所有 ${\mathbf{y}}_l\in N(A^T)$，${\mathbf{y}}_l^T\mathbf{b}=0$

在工程中，左零空间的基向量给出了系统的守恒律——这些是任何解都必须满足的约束。例如：

• 电路中基尔霍夫电流定律：电流代数和为零
• 力学中力平衡：合力为零
• 流体力学中连续性方程：质量守恒

这些都是矩阵的左零空间条件的具体表现。

import numpy as np
from sympy import Matrix

# 完整示例：四大子空间
A = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])  # 知名矩阵，rank=2

m, n = A.shape
r = np.linalg.matrix_rank(A)
print(f"A 是 {m}×{n} 矩阵，rank = {r}")
print(f"\n四大子空间维数：")
print(f"  列空间 C(A)   ⊂ R-{m}, 维数 = {r}")
print(f"  零空间 N(A)   ⊂ R-{n}, 维数 = {n - r}")
print(f"  行空间 C(A^T) ⊂ R-{n}, 维数 = {r}")
print(f"  左零空间 N(A^T) ⊂ R-{m}, 维数 = {m - r}")

# 验证正交关系
M = Matrix(A)
rref, pivots = M.rref()

# 行空间基 = RREF 非零行
row_basis = [list(rref.row(i)) for i in range(r)]
print(f"\n行空间基（RREF 非零行）: {row_basis}")

# 零空间基
null_basis = M.nullspace()
print(f"零空间基: {[list(v.T) for v in null_basis]}")

# 验证行空间 ⊥ 零空间
if null_basis:
    for i, rb in enumerate(row_basis):
        for j, nb in enumerate(null_basis):
            dot = sum(a*b for a, b in zip(rb, list(nb)))
            print(f"  行空间基{i} · 零空间基{j} = {float(dot):.6f}（应为 0）")

# 列空间基 = 原矩阵主元列
col_basis = [A[:, c].tolist() for c in pivots]
print(f"\n列空间基（原矩阵主元列）: {col_basis}")

# 左零空间基 = A^T 的零空间
left_null_basis = M.T.nullspace()
print(f"左零空间基: {[list(v.T) for v in left_null_basis]}")

交互演示：四大子空间终极展示

下面的演示把四大子空间的完整结构同时可视化——左侧 3D 场景是输入空间 ${\mathbb{R}}^n$（$n=3$），右侧 3D 场景是输出空间 ${\mathbb{R}}^m$（$m=3$），中间用矩阵 $A$ 的标签表示映射关系。

3 个预设按钮（点击观察维度变化）：

1. 满秩 r=3：行空间=整个 ${\mathbb{R}}^3$，零空间=原点；列空间=整个 ${\mathbb{R}}^3$，左零空间=原点
2. 秩 r=2：行空间=绿色平面，零空间=红色直线（左场景）；列空间=蓝色平面，左零空间=橙色直线（右场景）
3. 秩 r=1：行空间=绿色直线，零空间=红色平面（左场景）；列空间=蓝色直线，左零空间=橙色平面（右场景）

关键观察：

• 左场景（${\mathbb{R}}^n$）：绿色行空间与红色零空间正交，且维数和 $=n=3$（填满整个空间）
• 右场景（${\mathbb{R}}^m$）：蓝色列空间与橙色左零空间正交，且维数和 $=m=3$（填满整个空间）
• 中间矩阵 $A$ 的标签提示：$\mathbf{x}\in {\mathbb{R}}^n\stackrel{A}{\to }A\mathbf{x}\in {\mathbb{R}}^m$
• 底部表格实时显示四大子空间的维数、所在空间、正交补关系
• 验证维度方程：$r+(n-r)=n$，$r+(m-r)=m$

---

本章小结

本节完成了从具体数表到抽象空间的跃迁，建立了线性代数的核心结构图景：

1. 向量空间用八条公理定义，涵盖 ${\mathbb{R}}^n$、多项式、矩阵、函数等不同对象
2. 子空间必须过原点，三要素验证（含零、加法封闭、数乘封闭）
3. 基是空间的骨架——线性无关且张成整个空间，基的个数即维数
4. 四大子空间：
   • 列空间 $C(A)\subseteq {\mathbb{R}}^m$：变换的靶向范围，维数 $=r$
   • 零空间 $N(A)\subseteq {\mathbb{R}}^n$：变换的压缩内核，维数 $=n-r$
   • 行空间 $C(A^T)\subseteq {\mathbb{R}}^n$：行视角的张成，维数 $=r$
   • 左零空间 $N(A^T)\subseteq {\mathbb{R}}^m$：行视角的压缩核，维数 $=m-r$
5. 两大正交补关系：
   • 行空间 $\perp$ 零空间（在 ${\mathbb{R}}^n$ 中）
   • 列空间 $\perp$ 左零空间（在 ${\mathbb{R}}^m$ 中）
6. 行秩 = 列秩：行空间与列空间维数相等（$=r$），通过矩阵 $A$ 建立同构

这一结构图景是后续章节的基础：1.5 节将用正交投影求解最小二乘问题，1.6 节将用特征值刻画矩阵的本质方向，1.7 节的 SVD 是四大子空间的核心应用——它把任意矩阵分解为在行空间找正交基 + 在列空间找正交基 + 中间用奇异值连接的形式。

练习题

第 1 题 概念推导

设 $V$ 是 ${\mathbb{R}}^n$ 的子空间，$V^{\perp }$ 是其正交补。证明 $V\cap V^{\perp }=\{\mathbf{0}\}$，并由此说明任意 $\mathbf{x}\in {\mathbb{R}}^n$ 的正交分解 $\mathbf{x}={\mathbf{x}}_V+{\mathbf{x}}_{V^{\perp }}$ 是唯一的。

参考答案

先证交集只含零向量。设 $\mathbf{u}\in V\cap V^{\perp }$。由于 $\mathbf{u}\in V^{\perp }$，它与 $V$ 中所有向量正交；又由于 $\mathbf{u}\in V$，它必须与自身正交，即 $\mathbf{u}\cdot \mathbf{u}=0$。由内积正定性 $\parallel \mathbf{u}{\parallel }^2=0$ 推出 $\mathbf{u}=\mathbf{0}$，故 $V\cap V^{\perp }=\{\mathbf{0}\}$。

再证分解唯一。设 $\mathbf{x}$ 有两种分解 $\mathbf{x}={\mathbf{x}}_V+{\mathbf{x}}_{V^{\perp }}={\mathbf{x}}_V^{\prime }+{\mathbf{x}}_{V^{\perp }}^{\prime }$。移项得 ${\mathbf{x}}_V-{\mathbf{x}}_V^{\prime }={\mathbf{x}}_{V^{\perp }}^{\prime }-{\mathbf{x}}_{V^{\perp }}$。左侧属于 $V$（子空间对减法封闭），右侧属于 $V^{\perp }$（同理），故该向量同时落在 $V$ 与 $V^{\perp }$ 中，由前述结论只能为零向量。因此 ${\mathbf{x}}_V={\mathbf{x}}_V^{\prime }$，${\mathbf{x}}_{V^{\perp }}={\mathbf{x}}_{V^{\perp }}^{\prime }$，分解唯一。这一唯一性是后续最小二乘解、PCA 投影等方法的数学基础。

第 2 题 代码验证

利用本节的 <FourSubspacesTheoremDemo> 交互组件，切换到秩 r=2 预设。观察左侧 ${\mathbb{R}}^n$ 场景中绿色行空间（平面）与红色零空间（直线）的几何关系，记录两者的维数，验证 $\dim (C(A^T))+\dim (N(A))=n$；再观察右侧 ${\mathbb{R}}^m$ 场景中蓝色列空间与橙色左零空间，验证 $\dim (C(A))+\dim (N(A^T))=m$。

参考答案

$r=2$ 预设下，左侧输入空间 ${\mathbb{R}}^n$（$n=3$）中绿色行空间是二维平面，红色零空间是一维直线，两者相互垂直——零空间直线沿行空间平面的法向方向。维数验证：$\dim (C(A^T))+\dim (N(A))=2+1=3=n$，行空间与零空间正交且填满整个 ${\mathbb{R}}^n$。右侧输出空间 ${\mathbb{R}}^m$（$m=3$）中蓝色列空间是二维平面，橙色左零空间是一维直线，几何关系同样正交。维数验证：$\dim (C(A))+\dim (N(A^T))=2+1=3=m$，列空间与左零空间正交且填满整个 ${\mathbb{R}}^m$。两个场景共同印证四大子空间的正交互补结构。

第 3 题 概念推导

设 $A=\left[\begin{array}{ccc}1& 2& 3\\ 2& 4& 6\\ 1& 1& 1\end{array}\right]$。求 $A$ 的秩、四大子空间的维数，并指出每个子空间所在的欧氏空间（${\mathbb{R}}^n$ 还是 ${\mathbb{R}}^m$）。

参考答案

$A$ 是 $3\times 3$ 矩阵，$m=n=3$。第二行是第一行的 $2$ 倍，故 $\text{rank}(A)=2$（第一、三行线性无关）。

四大子空间维数与所在空间：

子空间	符号	所在空间	维数
列空间	$C(A)$	${\mathbb{R}}^m={\mathbb{R}}^3$	$r=2$
零空间	$N(A)$	${\mathbb{R}}^n={\mathbb{R}}^3$	$n-r=1$
行空间	$C(A^T)$	${\mathbb{R}}^n={\mathbb{R}}^3$	$r=2$
左零空间	$N(A^T)$	${\mathbb{R}}^m={\mathbb{R}}^3$	$m-r=1$

注意：虽然本例 $m=n$ 使四个子空间都落在 ${\mathbb{R}}^3$ 中，但它们的归属不同——零空间与行空间属于输入侧 ${\mathbb{R}}^n$，列空间与左零空间属于输出侧 ${\mathbb{R}}^m$。当 $m\ne n$ 时这一区别关键。正交补关系：行空间（二维平面）⊥ 零空间（一维直线）；列空间（二维平面）⊥ 左零空间（一维直线）。

常见错误

错误 1 · 子空间验证时遗漏不过原点这一条件

原因：判断某集合是否为子空间时，只检查加法封闭与数乘封闭，忽视集合必须包含零向量这一要求。例如集合 $\{(x,y):x+y=1\}$ 是 ${\mathbb{R}}^2$ 中一条直线，加法与数乘看似成立，但不过原点（零向量 $(0,0)$ 不满足 $0+0=1$），该集合是仿射子空间，不满足子空间条件。

解决：子空间验证按三要素依次进行：含零向量、加法封闭、数乘封闭。其中含零向量等价于不过原点的集合直接排除。更简洁的做法是先检查 $\mathbf{0}$ 是否属于该集合，若不属于立即判定非子空间，无需继续验证封闭性。

错误 2 · 把零空间放在 ${\mathbb{R}}^m$ 中讨论

原因：混淆四大子空间所在的空间。零空间 $N(A)$ 由 $A\mathbf{x}=\mathbf{0}$ 定义，$\mathbf{x}\in {\mathbb{R}}^n$，故零空间是 ${\mathbb{R}}^n$ 的子空间。初学时容易因为**零空间与列空间都涉及 $A$**而把两者放在同一空间，导致正交补关系错配。

解决：按输入侧/输出侧分组记忆：输入侧 ${\mathbb{R}}^n$ 含行空间 $C(A^T)$ 与零空间 $N(A)$；输出侧 ${\mathbb{R}}^m$ 含列空间 $C(A)$ 与左零空间 $N(A^T)$。正交互补关系只发生在同侧之间：行空间 ⊥ 零空间（同在 ${\mathbb{R}}^n$），列空间 ⊥ 左零空间（同在 ${\mathbb{R}}^m$）。

错误 3 · 把维数等同于基的向量长度

原因：维数 $\dim (V)$ 是基中向量的个数，与每个向量的长度（分量数）无关。例如 ${\mathbb{R}}^3$ 中一条直线是一维子空间，基向量是 $(1,2,3{)}^T$，长度为 $3$，但维数是 $1$。初学时容易把向量长度当作维数。

解决：明确维数 = 基的向量个数这一规则。基向量本身的分量数由所在欧氏空间决定（${\mathbb{R}}^n$ 中向量长度为 $n$），与子空间维数无直接关系。求维数时先找基，再数基向量的个数。

错误 4 · 把正交补等同于集合补集

原因：正交补 $V^{\perp }$ 是与 $V$ 中所有向量都正交的向量集合，不是 $V$ 在全集中的集合论补集 ${\mathbb{R}}^n\setminus V$。集合补集包含大量与 $V$ 不正交的向量，与正交补完全不同。

解决：明确正交补是几何概念，要求每个向量与 $V$ 中所有向量正交，而非简单地不属于 $V$。验证某向量 $\mathbf{u}$ 是否在 $V^{\perp }$ 中，需要检查 $\mathbf{u}$ 与 $V$ 的一组基中每个向量都正交（点积为零），而不是检查 $\mathbf{u}$ 是否属于 $V$。