首先，恭喜你讀到了咪博士的這篇文章。本文可以說是該系列最重要、最核心的文章。你對線性代數的一切困惑，根源就在於沒有真正理解矩陣到底是什麼。讀完咪博士的這篇文章，你一定會有一種醍醐灌頂、豁然開朗的感覺！

咱們先來說說啥叫變換。本質上，變換就是函式。

例如，你輸入一個向量 [57]，

經過某個變換（即函式）的作用之後，輸出另一個向量 [2−3]

既然，變換本質上就是函式，那為啥還要多搞出這樣一個術語？

其實，“變換”這個詞暗示了我們能夠以某種方式視覺化 輸入—-輸出 關係。它暗示我們要從向量運動的角度去理解。即，變換讓向量從一個地方（對應輸入向量），運動到了另一個地方（對應輸出向量）。

我們說將變換作用於某個空間，意思是將該變換應用於空間中的每一個向量。

空間中的向量可以用一些規則分佈的點來表示。

下面是變換前的樣子，

下面是變換後的樣子。

變換後，空間中的點（即向量）運動到了其他的位置上。

二維空間變換中，等間距的平行網格可以更好地展示變換的性質。

下面是變換前的網格。

下面是變換後的網格。

顯然，變換讓空間發生了扭曲。

為了方便觀察，我們還可以把變換前後的網格都畫在同一張圖上。

變換有時非常地複雜。

例如，下面的幾個例子：

所幸的是，我們線上性代數中討論的線性變換，沒有那麼複雜，也更容易理解。

那麼線性變換是什麼意思呢？如果一個變換同時具有以下 2 條性質，則它是一個線性變換。

• 變換前後，所有的直線仍然是直線
• 變換前後，原點保持不變

換句話說，線性變換是原點不變，並使網路線保持平行且等距分佈的變換。

那麼，我們要如何描述一個線性變換呢？

以平面直接座標系為例，假定我們有一個向量 v⃗ =[−12]。我們可以將它看成是 2 個基向量 i, j 的線性組合。線性組合的係數分別對應向量的 2 個分量。

在某個線性變換的作用下，i, j 以及 v 都運動到了新的位置。

線性變換前後網路線保持平行且等距分佈，這一性質有一個重要的推論：線性變換後的 v 是變換後的 i 和 j 的線性組合，並且線性組合的係數和變換前一樣（仍然是 -1 和 2）

即，線性變換前

i⃗ =[10],j⃗ =[01]，則

假定，經過某個線性變換後之後

i⃗ =[−12],j⃗ =[30]，則

事實上，我們只要知道線性變換之後，i, j 的位置（座標），就可以計算出任意一個向量經過同樣的線性變換之後的位置（座標）。

這意味著，對於一個線性變換，我們只需要跟蹤基向量在變換前後的變化，就可以掌握整個空間（即全部向量）的變化。我們將線性變換後的基向量座標按列組合起來，可以拼接成一個矩陣。線性變換的全部資訊便都包含在這個矩陣當中了。

給定一個 2×2 的矩陣 [acbd] 以及某個向量 [xy]。

矩陣對應著某個線性變換，它的 2 列 [ac] 和 [bd]  分別表示 2 個基向量 [10]  和 [01] 經過線性變換之後的座標。

那麼，向量 [xy] 經過該線性變換之後，其新座標的計算方法如下：

這一計算過程，我們可以用矩陣乘法來表達。將向量 [xy]  記作 x⃗ ，將整個矩陣記作 A，將線性變換後的向量記作 b⃗ ，整個等式是不是變成了大家熟悉的 Ax⃗ =b⃗ 。你可以把它看成是矩陣和向量相乘，也可以把它看成是一個線性方程組，現在你還可以把它看成是一個線性變換。多麼奇妙的一件事啊！

一旦你理解的本節教程的精髓，你便可以秒懂原來看起來十分費解的線性變換。

例如，逆時針旋轉 90 度對應的線性變換矩陣是什麼呢？

記住，對於線性變換，我們只需要跟蹤原來的基向量線上性變換後的位置（座標），然後把它們按列拼成一個矩陣，這個矩陣就是相應的線性變換矩陣。

在這個例子中，原來的 2 個基向量 [10]  和 [01] ，逆時針旋轉90 度之後，變成了 [01]  和 [−10] ，把它們拼成 一個矩陣[01−10] ，這便是逆時針旋轉 90 度對應的線性變換矩陣。要計算任意向量旋轉 90 度之後的座標，只需要用該矩陣左乘原來的向量就可以了。

下面是一個剪下變換，你能一眼就看出它在做什麼嗎？

我們再來看下面這個線性變換，其線性變換矩陣的 2 個列向量是線性相關的。這個線性變換會將整個二維空間壓縮到一條直線上。通過這個例子，你是不是對線性相關、線性無關有了更直觀的、更深刻的認識了呢？

總之，線性變換是操縱空間的一種手段。線性變換保持原點不動，網格線平行且等距分佈。只需要幾個數字（變換後基向量的座標）就可以清晰地描述一個線性變換。將變換後基向量的座標按列拼接成一個矩陣。這個矩陣為我們提供了一種描述線性變換的語言。線性變換作用於一個向量，對應於用線性變換矩陣左乘該向量。

以後，當你再看到矩陣的時候，你都可以將它解讀為對空間的某種線性變換，這是深刻理解矩陣乘法、行列式、基變換，以及特徵值等概念的重要基礎。掌握了本節（從線性變換的角度）看待矩陣的方式，線性代數中，原本極其抽象的概念，都將瞬間變得清晰起來。線性代數中各種看似莫名其妙的運算，以及各種神出鬼沒的概念，一下子都變得可愛起來了。