从几何视角理解同一个向量在不同基底下的不同"语言"
在前几讲中，我们一直默认使用标准基 i ^ = 1 0 , j ^ = 0 1 \hat{i} = \begin{bmatrix}1\\0\end{bmatrix}, \hat{j} = \begin{bmatrix}0\\1\end{bmatrix} i^=10,j^=01 来描述向量。但任何向量空间都有无穷多组基，同一个向量在不同基下有不同的坐标表示。基变换就是帮助我们在这多种"语言"之间进行翻译的工具。
10.1 一个向量的两种"方言"
假设我们有一个二维平面，除了标准基之外，还有另一组基 b ⃗ 1 = 2 1 \vec{b}_1 = \begin{bmatrix}2\\1\end{bmatrix} b 1=21 和 b ⃗ 2 = 1 2 \vec{b}_2 = \begin{bmatrix}1\\2\end{bmatrix} b 2=12。那么同一个向量 v ⃗ \vec{v} v 可以用两种方式描述：
- 在标准基下 ： v ⃗ = 3 4 \vec{v} = \begin{bmatrix}3\\4\end{bmatrix} v =34（即 3 i ^ + 4 j ^ 3\hat{i} + 4\hat{j} 3i^+4j^）
- 在 b ⃗ 1 , b ⃗ 2 \vec{b}_1, \vec{b}_2 b 1,b 2 基下 ：我们需要找到系数 c 1 , c 2 c_1, c_2 c1,c2 使得 v ⃗ = c 1 b ⃗ 1 + c 2 b ⃗ 2 \vec{v} = c_1\vec{b}_1 + c_2\vec{b}2 v =c1b 1+c2b 2。解得 c 1 = 2 3 , c 2 = 5 3 c_1 = \frac{2}{3}, c_2 = \frac{5}{3} c1=32,c2=35（具体计算见后），所以在新基下的坐标为 2 3 5 3 B \begin{bmatrix}\frac{2}{3}\\\frac{5}{3}\end{bmatrix}{\mathcal{B}} 3235B。
同一个几何箭头，在不同的基下拥有不同的坐标数字。基变换就是连接这两种描述的桥梁。
10.2 基变换矩阵：把新基下的坐标翻译回标准基
设有一组新基 B = { b ⃗ 1 , b ⃗ 2 } \mathcal{B} = \{\vec{b}_1, \vec{b}2\} B={b 1,b 2}，其中每个基向量都是在标准基下的坐标。那么对于任意在新基下坐标为 v ⃗ B = c 1 c 2 \\vec{v}{\mathcal{B}} = \begin{bmatrix}c_1\\c_2\end{bmatrix} v B=c1c2 的向量，它在标准基下的实际坐标可以通过线性组合得到：
v ⃗ = c 1 b ⃗ 1 + c 2 b ⃗ 2 \vec{v} = c_1\vec{b}_1 + c_2\vec{b}_2 v =c1b 1+c2b 2
将 b ⃗ 1 , b ⃗ 2 \vec{b}_1, \vec{b}_2 b 1,b 2 作为矩阵的列，就得到基变换矩阵 P P P：
P = b ⃗ 1 b ⃗ 2 = 2 1 1 2 P = \begin{bmatrix} \vec{b}_1 & \vec{b}_2 \end{bmatrix} = \begin{bmatrix} 2 & 1 \\ 1 & 2 \end{bmatrix} P=b 1b 2=2112
那么：
v ⃗ 标准 = P v ⃗ B \\vec{v}{\text{标准}} = P \\vec{v}{\mathcal{B}} v 标准=Pv B
即矩阵 P P P 把新基下的坐标变换为标准基下的坐标。从几何上看， P P P 的作用就是：以标准基为参照，将新基向量作为列，那么乘以一个在新基下的坐标向量，就相当于用这些坐标去组合新基向量，得到标准基下的实际位置。
**例子：**如果在新基 B \mathcal{B} B 下，向量坐标为 1 0 B \begin{bmatrix}1\\0\end{bmatrix}_{\mathcal{B}} 10B，那么它实际上就是 b ⃗ 1 \vec{b}_1 b 1 本身，所以 P 1 0 = 2 1 P \begin{bmatrix}1\\0\end{bmatrix} = \begin{bmatrix}2\\1\end{bmatrix} P10=21，正确。
10.3 逆变换：把标准基下的坐标翻译为新基下的坐标
如果我们想反过来------已知一个向量在标准基下的坐标，想知道它在 B \mathcal{B} B 基下的坐标------就需要用到 P P P 的逆矩阵 P − 1 P^{-1} P−1：
v ⃗ B = P − 1 v ⃗ 标准 \\vec{v}{\mathcal{B}} = P^{-1} \\vec{v}{\text{标准}} v B=P−1v 标准
因为 P − 1 P = I P^{-1}P = I P−1P=I，它会把新基向量映射回标准基下的单位向量。
例子
前面例子中的 v ⃗ = 3 4 标准 \vec{v} = \begin{bmatrix}3\\4\end{bmatrix}_{\text{标准}} v =34标准，我们来求 P − 1 P^{-1} P−1。对于 P = 2 1 1 2 P = \begin{bmatrix}2 & 1 \\ 1 & 2\end{bmatrix} P=2112，行列式 det ( P ) = 4 − 1 = 3 \det(P) = 4-1=3 det(P)=4−1=3，所以
P − 1 = 1 3 2 − 1 − 1 2 P^{-1} = \frac{1}{3}\begin{bmatrix}2 & -1 \\ -1 & 2\end{bmatrix} P−1=312−1−12
那么
v ⃗ \] B = P − 1 \[ 3 4 \] = 1 3 \[ 2 − 1 − 1 2 \] \[ 3 4 \] = 1 3 \[ 2 ⋅ 3 − 1 ⋅ 4 − 1 ⋅ 3 + 2 ⋅ 4 \] = 1 3 \[ 2 5 \] = \[ 2 3 5 3 \] \[\\vec{v}\]_{\\mathcal{B}} = P\^{-1}\\begin{bmatrix}3\\\\4\\end{bmatrix} = \\frac{1}{3}\\begin{bmatrix}2 \& -1 \\\\ -1 \& 2\\end{bmatrix}\\begin{bmatrix}3\\\\4\\end{bmatrix} = \\frac{1}{3}\\begin{bmatrix}2\\cdot3 -1\\cdot4 \\\\ -1\\cdot3 + 2\\cdot4\\end{bmatrix} = \\frac{1}{3}\\begin{bmatrix}2 \\\\ 5\\end{bmatrix} = \\begin{bmatrix}\\frac{2}{3}\\\\\\frac{5}{3}\\end{bmatrix} \[v \]B=P−1\[34\]=31\[2−1−12\]\[34\]=31\[2⋅3−1⋅4−1⋅3+2⋅4\]=31\[25\]=\[3235
这正是我们之前提到的系数。
10.4 基变换与线性变换：相似矩阵
现在考虑一个线性变换 T T T，它在标准基下用矩阵 A A A 表示。如果我们在新基 B \mathcal{B} B 下观察同一个变换，它会是什么样的矩阵 B B B？
设有一个向量在 B \mathcal{B} B 基下的坐标为 v ⃗ B \\vec{v}{\mathcal{B}} v B，我们想先把它变成标准基下的坐标（用 P P P），然后应用变换 A A A，最后再把结果变回 B \mathcal{B} B 基下的坐标（用 P − 1 P^{-1} P−1）。整个过程就是：
v ⃗ B → P v ⃗ 标准 → A A v ⃗ 标准 → P − 1 T ( v ⃗ ) B \\vec{v}{\mathcal{B}} \xrightarrow{P} \vec{v}{\text{标准}} \xrightarrow{A} A\vec{v}{\text{标准}} \xrightarrow{P^{-1}} T(\\vec{v})_{\mathcal{B}} v BP v 标准A Av 标准P−1 T(v )B
因此，在新基下表示这个变换的矩阵为：
B = P − 1 A P B = P^{-1} A P B=P−1AP
这就是相似变换 。 A A A 和 B B B 称为相似矩阵，它们描述的是同一个线性变换，只是站在不同的坐标系（基底）下观察而已。
几何理解
- P P P：把你从新基下的坐标"翻译"到标准基。
- A A A：在标准基下进行变换。
- P − 1 P^{-1} P−1：把变换结果再"翻译"回新基下的坐标。
这种"翻译-变换-翻译回来"的过程，正是相似矩阵的几何含义。
10.5 为什么基变换很重要？
- 简化计算：有些变换在特定基下会变得非常简单，比如对角矩阵。通过基变换，我们可以把一个复杂的矩阵对角化，从而简化幂运算、解微分方程组等。
- 理解本质：同一个线性变换在不同坐标系下有不同的"外貌"，但它的本质（如特征值、秩、行列式）在相似变换下保持不变。基变换帮助我们看清这些不变量。
- 应用广泛：在量子力学中，基变换对应于不同表象之间的转换；在计算机图形学中，它用于在不同坐标系（世界坐标系、模型坐标系、相机坐标系）之间转换。
10.6 总结
- 基变换矩阵 P P P：列是新基向量在旧基下的坐标，作用是将新基下的坐标翻译为旧基下的坐标。
- 逆矩阵 P − 1 P^{-1} P−1：将旧基下的坐标翻译为新基下的坐标。
- 相似矩阵 B = P − 1 A P B = P^{-1}AP B=P−1AP：同一个线性变换在不同基下的矩阵表示。
- 几何意义：基变换就是改变观察坐标系，向量本身不变，但描述它的数字变了。
下一次当你面对一个复杂的矩阵时，不妨问问自己：是否存在一组基，能让这个变换看起来简单些？基变换就是帮你找到那组基的工具。
上一章 机器学习线性代数--(9)叉积