特征向量：变换里没被拐弯的那几个方向

纸被狠狠拉了一把，上面几乎所有箭头都被拧歪了。但有那么几根，倔得很——它们只是被拉长了，方向一点没变。

场景问题

前面几篇我们看的都是"整张纸"：纸变成什么形状、面积放大几倍、能不能倒回去。

这最后一篇换个视角，盯住单根箭头。

拿一次变换，把纸上每根箭头都过一遍，你会看到绝大多数箭头遭遇了两件事：长度变了，方向也被拧歪了。

但如果你耐心一根根看下去，会发现有些箭头很特别——它们只被拉长或缩短，方向一点没变，还老老实实指着原来那条线。

这些"死不改向"的方向，就是这次变换的骨架。找到它们，你就知道了这次变换真正在干什么：它其实是沿着几个特定方向在拉扯，其余所有的形变都是这几个方向上的拉扯叠加出来的结果。

实现方案

大多数箭头会被拐弯，少数不会

先看清"拐弯"和"不拐弯"的区别。

盯住下面这个动画。一圈箭头同时被同一次变换作用——大部分箭头都偏离了原来的方向（灰色是它们原来的位置），只有橙色和青色那两根，从头到尾稳稳指着原方向，只是长度变了：

橙色那根（横向）被拉长了，但还是横着的。青色那根（竖向）被压短了，但还是竖着的。而紫色那几根，明显从灰线的位置歪开了。

橙色和青色所在的方向，就是这次变换的特征向量。

两个名字

• 特征向量（eigenvector）：变换后方向不变的那些向量所在的方向
• 特征值（eigenvalue）：它被拉长的倍数

图上那个例子：

• 横向是一个特征向量，它被拉长到 1.7 倍左右 → 特征值约 1.7
• 竖向也是一个特征向量，它被压到 0.55 倍左右 → 特征值约 0.55

（"特征"这个词就是"这次变换的特点、标志"的意思。英文前缀 eigen- 是德语借来的，意思也是"自己的、固有的"——属于这次变换自身的方向。）

特征值的四种情况

特征值这个数，取不同的值对应四件很不一样的事：

后面两种要特别说说。

特征值是负数：箭头掉了个头，指向完全相反的方向。这还算"方向不变"吗？

算。因为我们关心的是它有没有离开那条直线。掉头之后它还在原来那条线上（只是朝反面），没有被拧到别处去。所以按我们的标准，它仍然是特征向量——第二篇讲数乘时说过，乘负数就是掉头，那还是同一条线上的事。

特征值是 0：这个方向上的箭头被压成了原点。

眼熟吗？这就是行列式为 0 的情形——纸在这个方向上被拍扁了。所以：

只要有一个特征值是 0，行列式就是 0，纸就被拍扁了，方程就倒不回去了。

（行列式其实等于所有特征值乘起来。所以只要有一个是 0，乘积就是 0——面积归零。你现在不用记这个结论，但可以感受一下这几篇是怎么连成一张网的。）

同一条线上的箭头，全都是特征向量

一个容易犯的小错：以为特征向量是某一根特定长度的箭头。

其实不是。如果某个方向上的箭头会被拉长到 2 倍，那么这条线上任意长度的箭头都会被拉长到 2 倍——长的短的都一样。

所以特征向量不是一根箭头，是一整条线（数学上叫"一个方向"）。当有人说"特征向量是 $\begin{pmatrix} 1 \\ 0 \end{pmatrix}$"，他其实是在用一根方便的短箭头代表那整条线，$\begin{pmatrix} 2 \\ 0 \end{pmatrix}$、$\begin{pmatrix} 5 \\ 0 \end{pmatrix}$、$\begin{pmatrix} -3 \\ 0 \end{pmatrix}$ 也都同样有效。

这就是为什么你几乎不会听到"这个特征向量"，而总是听到"这个特征方向"。

三个例子：有两个、没有、只有一个

不同的变换，特征方向的数量还不一样。看这三个典型：

纯拉伸：两个特征方向

$\begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix}$ 这种（横向拉 2 倍、竖向拉 3 倍）。横向和竖向都只被拉长、不拐弯，所以有两个特征方向，特征值分别是 2 和 3。

旋转：一个都没有

这个结论第一次听会觉得意外，但想想就明白了：旋转 30 度，是把每一根箭头都转 30 度。

有哪根箭头能在"被转了 30 度"之后还指着原方向？没有。 一根都没有。（除了原地不动的零向量，但它不算——它没有方向。）

所以旋转变换没有特征方向。这不是什么怪现象，而是"旋转"这件事的本质：它平等地拐弯了所有方向，不偏爱任何一个。

（严格地说，旋转有"复数特征值"，那是大学的内容。在我们这个"看得见的箭头"的世界里，答案就是：没有。）

剪切：只有一个

剪切就是第四篇推扑克牌那个动作：$\begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$。

底下那张牌（横向）完全没动 → 横向是特征方向，特征值是 1（一动不动）。

那竖向呢？竖着的箭头被推歪了，离开了原来的竖线 → 不是特征方向。

其它斜着的方向也全都被推歪了。所以剪切只有一个特征方向，孤零零的。

为什么这么做

为什么要专门去找这些"不拐弯的方向"？它们有什么用？

因为它们是这次变换的骨架。

一次变换看起来复杂——每个点都动了，动得还不一样。但如果你找到了特征方向，就能这么理解它：它其实只是沿着这几个特定方向在做简单的拉伸，别的复杂形变都是这几下拉伸叠出来的结果。

一件复杂的事被拆成了"几个方向上各拉几倍"，这就是特征向量的价值：把复杂变换翻译成几个简单动作。

为什么"掉头"也算方向不变？这不是自相矛盾吗？

因为我们真正关心的是"有没有离开那条直线"，而不是"箭头尖朝哪头"。

如果一根箭头变换后还在原来那条线上（不管是原方向还是反方向），那这条线就是这次变换的一根"骨架"——沿着它，变换的行为特别简单（只是缩放，可能带个掉头）。这个性质在掉头时完全保留，所以没理由把它排除掉。

为什么旋转"没有特征方向"不是个缺陷？

因为特征方向的数量本身就是关于这次变换的重要情报。

• 有两个 → 这次变换沿两个方向各自拉伸，结构清楚
• 只有一个 → 有个方向很特殊，别的都被带歪了（剪切的标志）
• 一个都没有 → 这次变换在"平等地拐弯所有方向"（旋转的标志）

所以"没有"不是找不到，而是一个明确的答案，它告诉你这是个旋转类的变换。

为什么别的选择不行

死胡同一：以为特征向量是"变化最大的方向"或"最长的那根箭头"

"特征"这个词听起来像"最有代表性的、最突出的"，于是很容易理解成"变化最剧烈的方向"或者"变完最长的那根"。

都不是。特征向量的判据只有一个：方向有没有被拐弯。

跟"变化大不大"完全无关。举例：

• 一个特征值是 100 的方向：被拉长 100 倍，变化极大 → 是特征向量（因为没拐弯）
• 一个特征值是 1 的方向：一动不动，毫无变化 → 也是特征向量（因为没拐弯）
• 某个被拧了 45 度、还被拉长了 50 倍的方向：变化剧烈无比 → 不是特征向量（因为拐弯了）

看，"变化大小"根本不是判据。剪切变换里那个特征方向的特征值恰好是 1，也就是完全没有变化的那个方向——它是最"无聊"的方向，却是唯一的特征方向。

判据就一条：变换后还在原来那条线上吗？ 在，就是；不在，就不是。跟它被拉了多少、变没变都无关。

死胡同二：以为每个变换都有特征方向

学了几个有特征方向的例子之后，很自然会觉得"找特征向量"是个总能完成的任务，找不到就是自己算错了。

旋转就是没有。 这不是算错，是真没有。

为什么这个误解值得专门破除？因为它会让你在真的碰到旋转类变换时不停地怀疑自己、反复重算，而正确的做法是认出"没有"这个答案本身就是结论——它在告诉你"这个变换在平等地拐弯所有方向"。

想想开头那句话："有那么几根，倔得很。" 而旋转的情况是：一根倔的都没有，全都乖乖跟着转了。

死胡同三：以为特征向量是唯一的一根箭头

看到书上写"特征向量是 $\begin{pmatrix} 1 \\ 0 \end{pmatrix}$"，容易以为就是这一根、别的都不算。

其实 $\begin{pmatrix} 2 \\ 0 \end{pmatrix}$、$\begin{pmatrix} 7 \\ 0 \end{pmatrix}$、$\begin{pmatrix} -1 \\ 0 \end{pmatrix}$ 全都是同一个特征向量的合法代表——它们都在同一条线上，都会被拉长同样的倍数。

书上挑 $\begin{pmatrix} 1 \\ 0 \end{pmatrix}$ 只是因为它最短最好看（长度为 1，写起来清爽）。特征向量本质上是一整条线（一个方向），不是一根特定的箭头。

搞混了会有个具体的坏处：你算出 $\begin{pmatrix} 3 \\ 0 \end{pmatrix}$，看看答案写的是 $\begin{pmatrix} 1 \\ 0 \end{pmatrix}$，以为自己错了。其实你俩说的是同一件事。

沉淀结论

恭喜，你走完了整条线。这最后一篇的结论：

1. 特征向量 = 变换后方向不变（没被拐弯）的那些方向
2. 特征值 = 它被拉长的倍数
3. 特征值 > 1 拉长、0~1 压短、= 1 一动不动、负数掉头（还在同一条线上）、= 0 压成一点（这时行列式为 0，纸被拍扁）
4. 特征向量是一整条线，不是某一根特定长度的箭头
5. 数量不定：纯拉伸有 2 个、剪切只有 1 个、旋转一个都没有
6. 判据只看有没有拐弯，跟"变化大不大"毫无关系

记忆口诀

特征向量 = 没被拐弯的方向，特征值 = 被拉长几倍。
大于 1 拉长，小于 1 压短，等于 1 不动，负数掉头，等于 0 压成点。
它是一整条线，不是一根箭头。
拉伸有俩，剪切只一个，旋转一个都没有。
只看拐不拐弯，不看变化大不大。

走完这一条线之后

八篇下来，你手里已经有了一整套看得见的线性代数：

向量是箭头 → 加减是走路、数乘是拉伸 → 几根箭头能拼出一片范围 → 矩阵是把整张网格搬一次家 → 乘法是连搬两次 → 行列式是面积放大几倍 → 解方程是倒着走回去 → 特征向量是没被拐弯的方向

每一环都能在方格纸上画出来。以后你在任何地方碰到这些词——课堂上、书里、别人嘴里——你脑子里应该先浮现出那张被拉扯的方格纸，而不是一堆符号。符号是记录，图才是事实。

长大以后它会变成什么

特征向量长大以后到处都是：找出一堆数据里"最主要的几个方向"（叫主成分分析）、给网页排重要性（早期搜索引擎的核心算法）、判断一个来回震动的结构会不会共振散架。AI 里那些"把一个词变成一串数字"的向量空间，也靠这套东西理解。以后可以翻 LLM 基础。

自测：合上资料能说清楚吗？

1. 判断一个方向是不是特征向量，唯一的标准是什么？

2. 旋转 30 度这个变换，有几个特征方向？为什么？

3. 某个方向的特征值是 -1。这个方向上的箭头怎么了？它还算特征向量吗？

4. 对比"纯拉伸"和"剪切"：各有几个特征方向？剪切的那个特征值是多少？

5. 如果一个变换的某个特征值是 0，能推出关于行列式和解方程的什么结论？