一文看懂矩阵的秩和奇异值及python计算

1. 矩阵的秩

1.1 什么是矩阵的秩（Rank）？

矩阵的秩是指其行（或列）向量的线性无关个数。也可以理解为：

一个矩阵所包含的"有效信息维度"。

1.2 什么是"低秩矩阵"？

如果一个矩阵的秩远小于其维度（比如一个 4000×4000 的矩阵，秩为几十到几百），我们就说它是低秩的。直观理解：

这个矩阵中大多数信息可以用较少的"主成分"表示；
所以它可以被压缩或近似为两个更小的矩阵相乘。

1.3 如何计算矩阵的秩

我们主要有以下三种方法来"推导"或计算一个矩阵的秩：

方法	原理	特点
① 行列简化法（初等行变换）	化简为阶梯形矩阵，非零行数即为秩	直观常见
② 最大非零子式法	找到最大阶数的非零子式（行列式不为0）	理论性强
③ 奇异值分解法（SVD）	计算非零奇异值个数	数值计算最稳定，适合浮点矩阵

方法1: 用行变换推导矩阵秩

我们用最直观的"初等行变换"的方法来推导一个矩阵的秩。示例如下：
$A =$ $1 2 3 2 4 6 1 1 1$ A = \begin{bmatrix} 1 & 2 & 3 \\ 2 & 4 & 6 \\ 1 & 1 & 1 \end{bmatrix} A= 121241361

***Step1：***进行初等行变换（化为行阶梯形）

我们使用高斯消元法简化：

python 复制代码

R1: [1 2 3]
R2: [2 4 6]   → R2 - 2*R1 = [0 0 0]
R3: [1 1 1]   → R3 - R1 = [0 -1 -2]

得到新的矩阵：
$A ′ =$ $1 2 3 0 0 0 0 - 1 - 2$ A' = \begin{bmatrix} 1 & 2 & 3 \\ 0 & 0 & 0 \\ 0 & -1 & -2 \end{bmatrix} A′= 10020−130−2

继续变换 R3：

python 复制代码

交换 R2 和 R3

$A ′ ′ =$ $1 2 3 0 - 1 - 2 0 0 0$ A'' = \begin{bmatrix} 1 & 2 & 3 \\ 0 & -1 & -2 \\ 0 & 0 & 0 \end{bmatrix} A′′= 1002−103−20

现在是阶梯形矩阵 ，共有两个非零行 → 秩 = 2

方法2: 用 NumPy 验证秩计算

python 复制代码

import numpy as np

A = np.array([[1, 2, 3],
              [2, 4, 6],
              [1, 1, 1]])

rank = np.linalg.matrix_rank(A) # 计算矩阵的秩，一行代码解决
print("矩阵的秩为：", rank)

输出：

复制代码

矩阵的秩为：2

1.4 判断矩阵是否低秩？

通常可以通过奇异值分解（SVD） 判断。如果一个矩阵的大部分奇异值（singular values）非常小或为 0，那就说明它是 低秩或近似低秩的。下面由讲解如何使用python求解矩阵奇异值。

同时也可以根据先计算出矩阵的秩，如果它的秩远小于矩阵的维度，也可以算作低秩，这个概念没有明确的定义。

2. 矩阵的奇异值

2.1 什么是矩阵的奇异值？

奇异值是描述一个矩阵在变换空间中"拉伸"能力的重要量。

具体来说，对于一个任意形状的实矩阵 $A ∈ R m × n A∈\mathbb{R}^{m×n}$ A∈Rm×n ，奇异值是它的**奇异值分解（Singular Value Decomposition, SVD）**中的核心部分：
$A = U Σ V T A=UΣV^T$ A=UΣVT

其中：

$U ∈ R m × m U ∈ \mathbb{R} ^ {m×m}$ U∈Rm×m：左奇异向量组成的正交矩阵
$Σ ∈ R m × n Σ ∈ \mathbb{R}^{m×n}$ Σ∈Rm×n：对角矩阵，对角线上的非负实数就是奇异值（通常记作 σ1,σ2, ...）
$V ⊤ ∈ R n × n V^⊤∈ \mathbb{R} ^ {n×n}$ V⊤∈Rn×n：右奇异向量组成的正交矩阵

2.2 奇异值的直观意义

奇异值描述了矩阵 AAA 将单位球体拉伸成椭球体时，各个轴的"拉伸长度"。

最大奇异值 σ1：表示矩阵将输入拉伸得最多的方向的尺度
最小奇异值 σn：表示最小拉伸（甚至是压缩）的方向尺度
若很多奇异值接近0，说明矩阵有大量"无效方向"，即可以近似看作低秩

2.3 举例矩阵奇异值计算

示例 1：普通矩阵的奇异值

python 复制代码

python


复制编辑
import numpy as np

# 例子：一个 3x3 的矩阵
A = np.array([[3, 1, 1],
              [-1, 3, 1],
              [0, 0, 1]])

# 计算奇异值
singular_values = np.linalg.svd(A, compute_uv=False) # 求解矩阵的奇异值

print("奇异值：", singular_values)

输出（可能略有数值波动）：

css 复制代码

奇异值： [4.2361, 2.6180, 0.5546]

解释：

矩阵 AAA 在某个方向上会将输入放大约 4.2 倍，在另一些方向上只放大 0.5 倍
奇异值大小差距越大，矩阵越接近"低秩"结构

示例 2：完全低秩矩阵

python 复制代码

python


复制编辑
B = np.array([[1, 2],
              [2, 4],
              [3, 6]])  # 第2列是第1列的2倍，秩=1

singular_values_B = np.linalg.svd(B, compute_uv=False)

print("奇异值（低秩矩阵）：", singular_values_B)

输出：

css 复制代码

奇异值（低秩矩阵）： [9.5255, 0.]

解释：

只有一个非零奇异值，表示这个矩阵可以"压缩"到一个方向（秩为 1）

2.4 奇异值的作用

应用领域	用途
PCA 主成分分析	保留最大的奇异值方向，相当于降维
图像压缩	舍弃小奇异值可重建图像而减少数据量
推荐系统	对评分矩阵做SVD → 分解出用户和物品潜在因子
神经网络	判断权重矩阵是否稀疏 or 低秩，可用于参数压缩，如：DCN- M网络就用到该理论进行地秩序分解

总结一句话：

奇异值是衡量一个矩阵"在哪些方向上作用强、在哪些方向上没用"的关键量。它们揭示了矩阵的结构、压缩能力以及在机器学习中的可降维性。

以上就是关于矩阵的秩和奇异值的介绍，如果感觉还不错的话，请帮忙点个赞吧！感谢！！！