基变换与线性变换梳理
关于线性代数当中的基变换和线性变换这一块，个人觉得特别繁杂，看起来简单，但是推导起来有点混乱，于是写下这篇博客记录一下初次学习的笔记和一些理解。本文参考麻省理工Gilbert Strang的线性代数公开课和戴华老师的《矩阵论》所写，理解有误的地方请大家指出。
学习线性代数可以从很多个地方入手，比如说同济版的《线性代数》从行列式入手（个人觉得很难接受）；Mit公开课上的以矩阵的4个子空间入手；据说从线性变换入手也是可以的，所以博主想写的就是一个从线性变换入手的一个思路，在开始之前，大家可以先想象一副完全空白的画面，完全空白。
这个完全空白的画面是一个空间 V，首先往里面放入一个线性变换 T，所谓的线性变换，实际上是一条规则，所以现在我们的空间中仍然是一片空白。这个规则说，有一些变换比较特别（也可以理解成某个函数），它满足：
这是一条最基本的规则，非常的重要。下面我们继续来完善这个规则，首先是输入和输出，我们并没有限定输入和输出的维数是什么，所以输入和输出的维数不必相等（千万不要以为线性变换对应的矩阵一定是方阵），比方说 T ：R3 -> R2 ，那么在我们的空间 V 中的任意一个3维vector都可以通过 T 变换成一个唯一的2维vector，而且 T 满足上面的规则。注意，现在所说的vector只是一个箭头，它并没有坐标，例如下面的 T（A）= B：
那你可能会问，何来3维和2维的区别呢？这和它没有坐标是一个道理，因为我们还没有指定基。3维说明它有3个线性无关的基向量，2维说明它有2个线性无关的基向量，当我指定了基以后，3维的vector就可以表达成
然后你又会问，那坐标得怎么算呢？这里可以这么理解，提供基的目的是提供一个基准，我们得同时给定一个方向和一个单位长度，这好比我指定了地图上的东和北是右和上两个方向，指定111千米是1度，这才可以用
搞清楚怎么算坐标之后，我们继续来描绘这个 T 变换，现在的情况是，你定义了一个 T 变换，你自己知道 A 会变成 B，或许你还知道 C 会变成 D，还有很多很多，但是你要怎么说清楚它呢？你总不能见到一个人，就把你的所有ABCD都拿出来，然后告诉它这就是我的 T 变换了吧，那要是我来给你一个 E，可能连你自己都不知道输出是什么呢！所以我们要找到一种用语言来描绘的方法，把这件事情给说定了。（下面是堆公式的时间了！）
首先我拿出一对输入基（v1，v2，v3 ... vn）和输出基（w1, w2, w3 ... wm）,（这个 vn 和 wm 习惯就好！），首先，你自己定义的 T 变换，这个变换对输入基的结果你得知道吧，比方说，你得知道经过 T 变换后的 v1 是（w1，... wm） 的怎样的线性组合，再换句话说，原本在（v1, ... vn）下坐标为 <1,0 ... 0> 的 v1， 经过 T 变换后在（w1，... wm）下的坐标是什么。有些绕，但是要记住这个 T 是你自己定义的，所以变换后的结果就是你说了算的，所以不要问我为什么 T（A）= B 哦！
为了不至于混乱，这里给出两条公式做个对比，用基的线性组合来表示，则不必想到基（的基）是什么，就如上图一样，而用到了坐标，就一定要考虑到基是什么，因为是先有了基才有了坐标：
OK，上公式，假设输入基是（v1，v2，... vn），输出基是（w1，w2，... wm），所以你一定得知道：
不知道b的下标要怎么摆的话看下图，我们要改写成如下矩阵的形式，也就是每一列是一组线性组合，所以B矩阵的每一列就是 vi 经过变换后在新基的坐标了，等会我们要用到：
准备工作这就做好了，下面我们来真正的描述变换 T，在输入基的空间下，所有的vector都是基向量的线性组合，即：
对vector x 进行 T 变换，我们用到了 T 的基本规则：
注意了，上面的式子用了基表示法，我们可以把它转换成坐标表示法（将右边部分看成是W的线性组合，Ba是坐标），这样就可以得到我们的一般形式：
大功告成，如果这次你给我一个E，那我就可以告诉你输出了，就是BE嘛，所以说我们的变换 T 就给真正的定义下来，我们可以留意到，每一个变换 T 在给定的一组输入基和输出基下都有一个对应的矩阵B，B怎么来的呢，这是通过我们事先给定的通过两组基推算出来的，所以，变换 T，输入输出基，矩阵B是三位一体的，确定两个就可以推出另外一个了。
现在我们来审视一下我们的变换 T 能用来干什么。我们的 T 可以处理的问题是，从一个输入基（v1，v2，... vn）到一个输出基（w1，w2, ... wm）的转换，一般来说这个转换是等价的，举个例子，我们处理一些物理问题的时候，我们可以先从原来的xy坐标系转换成以另外一些更加便于计算的坐标系，例如速度方向作为一个维度，垂直速度的方向作为另一个维度，这个过程一般是等价的，做这种变换的目的是方便我们计算，是一种坐标系的变换，当然你也可以认为这种变换用来做降维或者升维。但是更多的情况是，我们要处理另外一种问题，例如求一个vector旋转90度后的结果，或者说求一个vector到另一个vector的投影，这时候再要进行坐标系的变换就不合适了。其实我们早就习惯这种变换了，这是一种映射，一条函数，变换前后坐标系当然不变，就像求 f（x）= x * x，你会考虑变换坐标系来增加你的计算量吗，不会，所以，更加一般的情况是输入基和输出基一致的情况，也就是（v1，v2，... vn）= （w1，w2, ... wm）的情况，当然，这种变换也有对应的矩阵B，计算方法也是一样的。
以下的讨论暂时不考虑基变换，当出现基的时候，意思是输入基和输出基都是这个基。现在的情况是，我们的变换 T 可能是旋转变换，可能是投影变换等等，对应一个矩阵B，我们想知道一个vector在这个变换下的结果，我们就要计算一次T（x）= B·x，那我们当然希望这个B尽可能简单，例如是对角阵，内积计算起来速度就非常快。而这个B又是根据 T 和基计算出来的，所以，现在我们要确定一个基，让这个B最简单。
同一个变换 T 在不同基下的矩阵是不同的，但既然是同一个变换，那总得有点联系吧。首先假设有两组基（v1...，vn）和（w1...，wm），满足下面的关系，C 叫过渡矩阵：
我们从两组基的角度计算结果，注意坐标表示法和基表示法的转换：
所以我们得到矩阵A和B的关系，我们把这种关系定义成两个矩阵相似，很显然这是一种把矩阵进行划分的方法，也就是说给一个 T 变换，那么我们选不同基对应的矩阵都是一类，不同 T 变换而来的矩阵又是一类。
我们现在已经掌握了方法了，剩下就是计算的问题了。假设现在我们有 T ，基是（n1..., nn），对应的矩阵是A，只不过这个A的计算比较麻烦，我们需要找到一组新的基（x1...，xm），使得对应的基是一个对角阵，记为 Λ：
用矩阵展开，左右只取结果的某一列，就可以得到：
看到这里应该就知道了 λ 就是特征值了，cj 就是对应的特征向量，所以为什么说在写 λ 的时候一定要注意对着特征向量写，因为对错了就错了。如果你细心的话，你也可以知道 cj 其实是xj在原基（n1，... nn）下的坐标：
如果我们再研究一下 λ，把 A 看成是某个基下的矩阵的话，λ的意义就在于，对于变换 T 是伸缩变换，缩放的倍数是λ，或者说，对于某些矩阵，一个vector和它进行内积之后方向不发生改变：
这里有一个非常容易搞混的地方，你这样子前后的基不也是改变了吗，这也是基变换吧？注意了，基变换的意思是有一个变换，连接两个空间，输入在一个空间，输出在另一个空间；而这里是基选择的问题，同一个线性变换，输入空间和输出空间相同，但是我可以选择一组基，让我的计算更加简单，千万不要搞错了。
这种选择到现在来说非常好，只是有一个问题，这样的方法成功的前提是 CΛ = AC，如果 A 不满秩，说明解出来的 λ 不够用，也就是说 A 不可对角化，那就不成立了，这个时候，就要化成 Jordan 型了。关于Jordan的推导有点长就不写了，但是思想是一样的，就是让 T 的矩阵尽可能简单，既然不可对角化，就退而求其次罢了。
整个推导就差不多结束了，然后说说个人的一些想法。其实我们学习的时候，直觉上是和从上面推导的过程相反的，因为基变换对我们来说是透明的，我们不需要去考虑到它，在使用的时候往往是先有一个矩阵A，然后我直接计算 Ax 就好了，我根本不用去思考这是一种怎样的变换，基是什么，也没有什么不妥，我们当然不需要在意从a，到Xa，再到YXa经历了怎么样的变换，经过了3个怎么样的基，如果你强行觉得要思考的话，你可以认为我们一直以直角坐标系作为坐标系，输入空间和输出空间一样，然后反过来再推导出变换 T 到底是什么。还有最后的最后，上面的整个推导博主都回避了一个问题，那就是为什么Ax=A·x，其实整个构建都在于定义了点乘上，如果我说Ax = A+[x,x,...,x]，类似于矩阵乘等于广播加的话，整个推导就要重新搭建了。