简介：线性代数教材《Linear Algebra with Applications》第十版全球版由Steven J. Leon和Lisette de Pillis合著，是一本广泛应用于大学课堂的经典教材。全书共8章、556页，内容覆盖线性代数课程研究组（LACSG）推荐的全部核心主题，并新增大量习题与应用实例，适合高校本科生系统学习，也可供高年级学生或自学者复习巩固。每章末尾设有MATLAB计算机练习，帮助读者将抽象理论转化为实际计算能力，适配一学期或两学期的教学安排。资源为单个PDF文件，压缩包仅6.69MB，排版清晰、附带书签，便于按章节导航阅读；目前已有1055人浏览学习，适合作为课程参考书或考研基础复习材料。读者可从中掌握矩阵运算、向量空间、行列式、特征值与特征向量、正交性、数值方法等核心内容，并通过应用实例理解线性代数在工程、计算机科学等领域的实际价值。
1. Linear Algebra with Applications 10th：一本该当参考手册用的工科线代教材
拿到 Linear Algebra with Applications 10th 的人，大多不是奔着数学系那种“证明链完整”去的，而是带着一个更现实的问题：方程组怎么解、矩阵怎么分解、特征值算出来能干什么。这本教材的独特之处在于它把线性代数按“先算、后证、再应用”的顺序铺开，每章开头抛一个真实场景，再用矩阵语言把场景翻译成算题。我当年第一次翻它，是被课后习题里大量带应用背景的题吸引的，后来才发现真正能救命的是它把工程问题抽象成矩阵的全过程。这篇笔记就按我自己的使用路径来写：先讲这本书的内在结构该怎么读，再讲怎么用代码把书里的手算步骤变成可验证的模拟实验，最后把最容易踩的坑和三个能直接迁移到工作中的落地场景拆开讲。
2. 按“三闭环”读这本书：从方程组消元到特征值的递进关系
2.1 第一闭环：线性方程组与矩阵消元是全书的地基
教材开头几章反复在讲一件事情：所有线性方程组都可以写成 Ax = b，而解的过程只靠行变换。很多新手会轻视这部分，觉得高斯消元初中就见过，但这一版在后面引入矩阵乘法、秩、逆矩阵时，全都在用消元的视角重新解释。我一般不建议跳读前两三章，哪怕你自认为会解方程，也要把“增广矩阵行最简形”这个工具练熟，因为后续所有概念，包括向量空间的基、线性相关的判定、最小二乘的推导，最终都会回到“行变换会不会产生零行”这个问题上。
这一版本地化做得比较好的一点，是把“有解、无解、无穷多解”三种情况的几何意义直接放在例题里。比如给定三条直线是否交于一点，对应到增广矩阵上就是某一行变成 [0, 0, 0 | c]，c 非零则矛盾。你可以把这些题当成判断自己是否真正理解秩的试金石。如果只是机械地背“秩等于增广矩阵秩则有解”，遇到参数方程组还是会翻车。
实操层面，我会在读完第一章后强制自己完成一类任务：给定任意 5×5 矩阵，不借助计算器，手工判断它的秩是否小于行数，并写出对应的消元过程。这个动作能把“矩阵乘法中交换次序导致结果不同”这些细节一并检验掉。做到这个程度，再进入向量空间那一章，心里才有底。
2.2 第二闭环：向量空间与线性变换，应用题的抽象能力都卡在这里
这本书从这一部分开始，才真正进入“线性代数应用”的核心。向量空间的定义看似抽象，但教材用了大量例子把平面中的点和箭头、多项式、连续函数都装进同一个坐标系里。我读过之后的体会是：线性变换其实就是“保持加法和数乘”的映射，而矩阵只是这种映射在某个基下的坐标表。很多工程问题之所以能用线性代数求解，不是因为问题本身有矩阵，而是因为它可以被看成线性变换，然后我们才去找对应的矩阵。
这里有个容易忽视的点：基的选取直接决定矩阵长得像不像对角矩阵。书里在讲坐标变换时会给你一组新基下的矩阵表达式，如果选择特征向量作为基，变换矩阵就会变成对角矩阵。我对这个结论印象极深，因为后面做数据降维时，PCA 做的事情本质上就是寻找一组新基，让协方差矩阵对角化。教材在这里安排了大量的二维旋转变换、投影变换例题，目的就是让你习惯“给定一个几何操作，写出对应矩阵”的过程。
检验自己是否过关的办法，我建议做这组小练习：写出“先旋转 45 度再拉伸 x 轴”这个复合变换对应的矩阵，然后交换两个操作的顺序，对比两个结果是否相同。这个练习能直接帮你建立矩阵乘积顺序与操作先后顺序的对应关系，也是后面理解特征分解的直观入口。如果这块没搞懂，后面学奇异值分解时，矩阵分解的几何意义会彻底变成黑匣子。
2.3 第三闭环：特征值与对角化，全书最容易被低估的一章
特征值这一章表面是算多项式根，实际上它是整本书通向工程应用的那扇门。教材先介绍了特征向量如何在线性变换下保持方向不变，再把特征多项式、代数重数、几何重数分开讲，最后落到对角化条件和幂迭代算法。我的建议是：把时间花在“如果一个矩阵可对角化，意味着什么”这个问题上，而不是花在求三阶矩阵特征值的手工计算上。后者用工具一秒钟就能解，前者决定你能否理解后面所有现代算法。
这一版对对称矩阵讲得很充分，对称矩阵特征值总是实数、特征向量可以正交归一化，这个性质是整个最小二乘和 SVD 的数学基础。读到这里，可以把前面学过的所有概念串一遍：对称矩阵对角化时，那个过渡矩阵恰好是正交矩阵，它的逆等于转置，于是对角化公式变成 A = QΛQᵀ。这个形式会一遍又一遍地出现在数据科学的协方差分解里，也是我们后面用 NumPy 验证时最常写的公式。
学完这一章，我建议做一个强制动作：随便取一个 3×3 对称矩阵，手算它的特征值，再手算对应特征向量，然后验证 A v = λ v 是否成立。这个动作能同时检验你对代数重数、归一化、符号选择的掌握程度。很多人在这一步发现，自己之前的“会算”只是会套公式，并不知道算出来的向量为什么是这个方向。
3. 用 SymPy 和 NumPy 复算全书例题：最小可运行验证方案
3.1 解线性方程组：从增广矩阵到行最简形的复算最小命令
教材里大量例题是“给定增广矩阵，求行最简形并判断解的结构”。手算时最怕符号看错，所以我会用 SymPy 做复算，先确认答案，再回头把手算过程补清楚。SymPy 的Matrix对象自带rref()方法，返回从零开始的行最简形，非常适合验证书上的中间结果。
from sympy import Matrix A = Matrix([[2, 1, -1], [-3, -1, 2], [-2, 1, 2]]) b = Matrix([8, -11, -3]) M = A.row_join(b) # 构造增广矩阵 [A | b] rref_mat, pivot_cols = M.rref() print("行最简形：") print(rref_mat) print("主元列位置：", pivot_cols)row_join的作用是把向量 b 作为新的一列拼到 A 右边，构造出增广矩阵。rref()返回两个值，第一个是行最简形矩阵，第二个是主元列的下标元组。看到主元列位置如果包含了最后一列，说明方程组无解，因为出现了 [0, 0, 0 | c] 这样的矛盾行。这个判断过程比肉眼盯着消元结果可靠得多。
当方程组有无穷多解时，SymPy 还能继续帮忙。用M.nullspace()可以求出零空间的一组基，配合特解就能拼出通解。教材里强调“自由变量”这个概念，代码里对应的就是主元列之外的那些列。你可以把 pivot_cols 之外的列编号记下来，再对照行最简形手动写出参数化通解，这样既能验证答案，又不至于因为直接用solve而丢失对自由变量结构的理解。
3.2 验证特征值与对角化：符号计算与数值计算必须分开跑
特征值这一章的例题，手算二阶矩阵还能应付，三阶矩阵就容易出错。我的习惯是先让 SymPy 给出符号解，因为符号解可以保持根号、分数这类精确形式，方便跟教材答案逐项对照；遇到高次多项式时，SymPy 会返回复数域上的精确根，这时候再切换到 NumPy 拿数值解做工程验证。
from sympy import Matrix, symbols A = Matrix([[4, -5], [2, -3]]) lam = symbols("lambda") p = A.charpoly(lam).as_expr() print("特征多项式：", p) eigen_dict = A.eigenvals() # 返回 {特征值: 代数重数} print("特征值与重数：", eigen_dict) for val, mult in eigen_dict.items(): vec = A - val * Matrix.eye(A.rows) print(f"特征值 {val}: 零空间基 =", vec.nullspace())charpoly(lam)生成符号特征多项式，as_expr()让它以可读形式输出。eigenvals()返回一个字典，键是特征值，值是对应的代数重数。注意特征值以根式形式出现时，不同教材可能用不同等价写法，比如二次根式开方顺序，所以和书上答案不完全一样时，先化简再下结论。
数值侧我一般用 NumPy 检查对称矩阵的性质，因为eigvalsh专门针对对称矩阵做了数值稳定优化。如果你把书上的对称矩阵拿eigh算特征向量，得到的矩阵每一列都是归一化后的特征向量，而且满足 QᵀQ = I。这时候可以再验证一下 A ≈ QΛQᵀ，误差在浮点精度范围内就算通过。符号解和数值解结果不一致时，优先怀疑符号化简不彻底，而不是矩阵本身有问题。
3.3 最小二乘超定方程：教材例题换成分数噪声后的参数变化
最小二乘那一章，教材讲了正规方程 AᵀAx = Aᵀb 和几何意义。代码验证时我不用正规方程，直接用np.linalg.lstsq，因为它内部用的是 QR 分解，数值上比正规方程更稳，不会因为 AᵀA 条件数太大而放大误差。更重要的是，它返回的残差项能直接看出拟合质量。
import numpy as np x = np.array([0, 1, 2, 3, 4, 5], dtype=float) y = np.array([1.2, 1.8, 3.1, 3.9, 5.1, 5.8], dtype=float) X = np.column_stack([np.ones_like(x), x]) coeff, residuals, rank, sv = np.linalg.lstsq(X, y, rcond=None) print("拟合系数：k =", coeff[1], "b =", coeff[0]) print("残差平方和：", residuals)column_stack把常数列和 x 列拼成设计矩阵，第一列对应截距项，第二列对应斜率，这就是教材里“模型是 y = kx + b，线性的其实是系数”这句话的代码表现。rcond=None让 NumPy 自动选择合适的奇异值截断阈值，一般数据不用改。残差长度可能为 0，只有当实际约束数目大于参数数目时才会返回非空残差，这一点我刚用时也困惑过。
如果想看正规方程和 lstsq 的差别，可以手动算np.linalg.inv(X.T @ X) @ X.T @ y，把结果对比一下。数据噪声不大时两者几乎一样，但加上异常点或让 x 列高度相关后，正规方程的误差会被放大，这就是为什么库函数默认不用正规方程。这个对比能很好地回答“教材公式能不能直接上生产”的问题。
4. 自学这本教材最常见的 5 个坑：现象、原因与排查顺序
4.1 学了前两章就弃书，原因是证明太多、场景太少
现象：很多人从线性方程组开始，按顺序读到向量空间那一章就停下来，后面章节一拖再拖。原因不是教材太难，而是读法错了。这套教材的习题前半部分是计算题，后半部分是带背景的应用题，很多人只做计算题，不做应用题，于是大脑接收到的全是抽象符号，没有“这能解决什么”的正反馈。
解决：调整阅读顺序，每章先看章末的“本章应用场景”或带有工程语境的例题，再回头看前面的定义和推导。我个人的做法是，读每一章时先把结论抄在便利贴上，比如“特征值能告诉我在哪个方向上伸缩最大”，然后带着这个结论去读证明，证明就变成了解释而不是负担。这比按部就班精读更容易坚持。
4.2 手算答案和代码结果不一致，原因在浮点误差与符号化简
现象：书上例题的答案是 1/3、√5 这种精确值，你手算也是这么写的，但用 NumPy 一跑，出来的是 0.33333333 和 2.2360679，于是怀疑自己算错了。其实两边都是对的，只是浮点数无法精确表示分数和无理数。
解决：判断一致性时，先做符号计算，把 SymPy 的结果和书上答案化简对比；确认逻辑后，再用 NumPy 做工程近似。如果符号计算和手算对不上，优先检查增广矩阵是否拼接错误、有没有把列看成行；如果只有数值对不上，那就是精度问题。用np.allclose代替==判断数值相等，这已经是工程里的基本习惯了。
4.3 把“线性变换”和“矩阵乘法”当成同一个概念，导致复合变换顺序全乱
现象：学到旋转加缩放时，写出了错误顺序，比如想“先旋转再缩放”，却写成缩放矩阵乘以旋转矩阵，还觉得矩阵乘法顺序无所谓。原因是在第一闭环时只学了“怎么乘”，没学“乘法的左右位置代表什么”。
解决：回到矩阵与线性变换的对应关系，用“作用顺序靠右”来记：向量被矩阵作用时写在矩阵右边，所以先执行的变换写在更右边。于是“先旋转再缩放”就是 Scale @ Rotate @ v。我推荐你找一道二维变换题，把两种顺序的矩阵都算出来，观察结果差异，这个记忆会非常牢固。以后遇到坐标变换、基变换的时候，这个规则能直接推广。
4.4 做题全会，一遇到应用题就不知道从哪抽象出矩阵
现象：教材里“电路网路的电流方程”“力学系统中的力平衡”这类题，题干里没有出现任何矩阵，于是你不会做。原因是你已经习惯了矩阵摆在题面里，等着你算，而不能把物理关系翻译成线性方程。
解决：先写“未知量列表”，再写“约束关系列表”，把每个约束写成一行。比如电路题里未知量是各支路电流，约束是基尔霍夫定律，每条定律就是一行方程，整理成增广矩阵。这个过程中不要求一步到位，先把方程组写对，矩阵只是机械的整理结果。多做三道这种翻译题，再看到应用题就不会发怵。
4.5 对称矩阵特征值符号解显示为复数，数值解却是实数
现象：用 SymPy 求某个对称矩阵的特征值，结果里出现复数单位 i，但用 NumPy 算出来的全是实数，于是怀疑矩阵不是对称矩阵。原因是对称矩阵的特征多项式可能存在不可约的三次因子，符号计算返回的 Cardano 公式里含复数中间量，约简后实数部分才是最终结果。
解决：先用A.is_symmetric()确认矩阵是否对称；再用正则化展开特征多项式，对根式表达式做simplify后观察是否只剩实数；最后用数值方法交叉验证。这类问题在教材应用题的验证环节很常见，搞清楚它就不会在符号和数值之间来回自我怀疑。
5. 把教材例题搬到工程建模：最小二乘、SVD 与幂法三个迁移场景
5.1 数据拟合：把最小二乘公式从例题搬到回归任务
教材里最小二乘的例题，通常是给定几个点求最佳拟合直线。工程中这个模式可以直接平滑迁移到带截距的多元回归：只要把每个特征列和常数 1 列拼进设计矩阵 X，剩下的就是同一个问题。区别在于工程数据量更大、特征量纲不同，需要用标准化来缩短特征值分布的跨度，否则 XᵀX 的条件数会爆表。
import numpy as np X_raw = np.array([[1, 10], [2, 20], [3, 15], [4, 30]], dtype=float) y = np.array([2.1, 4.9, 4.0, 8.2], dtype=float) X = np.column_stack([np.ones(X_raw.shape[0]), (X_raw - X_raw.mean(axis=0)) / X_raw.std(axis=0)]) coeff, res, rank, sv = np.linalg.lstsq(X, y, rcond=None) feature_effect = coeff[1:] / X_raw.std(axis=0) print("截距：", coeff[0]) print("各特征标准化后的系数：", feature_effect)这里先把特征标准化，拟合出的系数表达的是“该特征变化一个标准差时目标变化多少”，这也是我讲课时最常用的一个解释技巧。要注意column_stack后第一列全是 1，对应截距项；若 X 本身已包含常数列，再用lstsq会得到共线解，表现为系数互相抵消。这个问题在教材的简单例题里不会出现，因为只有两个变量，工程里特征一多就显得特别真实。
5.2 图像压缩中的 SVD：用低秩近似理解“删数据即保留信息”
教材介绍 SVD 时常用矩阵分解的形式，很少直接讲它跟数据压缩的关系。我是在做一个图像处理 Demo 时突然意识到，SVD 低秩近似就是“保留能量最大的几个方向，丢掉其他方向”的线性代数表达。灰度图是一个 m×n 矩阵，它的奇异值按从大到小排列，前 k 个奇异值对应的重构矩阵就是最优的 k 秩逼近。
from numpy.linalg import svd import numpy as np # 假设 img_gray 是已经读取的灰度图，shape 为 (H, W) U, S, Vt = svd(img_gray, full_matrices=False) k = 30 compressed = U[:, :k] @ np.diag(S[:k]) @ Vt[:k, :] print("压缩前奇异值数量：", len(S), "，压缩后保留：", k)full_matrices=False让 U、Vt 以瘦身形式返回，避免产生巨大的正交方阵，实际工程中几乎都用这个参数。np.diag(S[:k])把奇异值向量变成对角矩阵，因为截断后的 S 是一维数组，不能直接跟 U、Vt 做矩阵乘法。保留的奇异值个数 k 不是拍脑袋定的，可以计算前 k 个奇异值平方和占总平方和的比例，比如想保留 90% 能量就选对应 k。这个比例概念在教材里对应的是“奇异值分解与矩阵秩的关系”，迁移过来就变成了工程标准。
5.3 迭代算法：用幂法理解 PageRank 式收敛到底在收敛什么
教材讲幂法是为了求最大特征值，我当时觉得这是个纯数值技巧，直到后来接触图数据里的传播算法才意识到，很多收敛算法本质上是幂法在不同矩阵上的变体。幂法不断用矩阵作用于向量、再归一化，向量会逐渐被主特征向量吸引。如果想了解收敛性，就要看教材里那个结论：收敛速度取决于第二特征值与第一特征值之比，比值越接近 1 收敛越慢。
import numpy as np def power_iteration(A, num_iter=50): v = np.ones(A.shape[1]) for _ in range(num_iter): v = A @ v v = v / np.linalg.norm(v) return v A = np.array([[1.0, 0.5], [0.5, 1.0]]) v = power_iteration(A) lam = float(v @ A @ v / (v @ v)) print("主特征向量：", v) print("主特征值：", lam)每一步的归一化是关键：如果不做归一化，向量长度会指数增长或衰减，数值直接溢出。v @ A @ v / (v @ v)是瑞利商，用来从特征向量估计特征值。这个写法在教材后面讲瑞利商时才会出现，但如果提前拿它来验证幂法结果，印象会深很多。实战中若要快速验证一个图是否“收敛到稳定分布”，可以先检查图的邻接矩阵是不是非负的、有没有规范的转移概率特性，再决定是否用幂法，而不是直接套 PageRank 的现成库。
6. 带着“可计算性”读每一节：我最后养成的一个习惯
读第三遍这本书时，我总结出一个让效率翻倍的习惯：每读完一节，先不急着做题，而是问自己三个问题——这一节输入是什么、输出是什么、要保留到下一节的结论是哪条。比如特征向量那节，输出就是“给定矩阵和特征值，求一个非零向量”，下一节要用到的结论是“不同特征值对应的特征向量线性无关”。如果能把这三个问题写在一张纸上，就算没做后面的计算题，这一节的核心也抓住了。
如果需要动手验证，我的最低成本方案是维护一份 Jupyter 笔记，每节只写一个最小可运行代码块。这个代码块不一定完整复现书中例题，而是把该节最核心的结论用十行以内代码表达出来。比如读完正交矩阵那一节，我的代码块只有三行：构造一个随机正交矩阵、检查 QᵀQ、检查逆矩阵等于转置。这个动作听起来简单，但能强制把“看懂证明”转成“可复算结论”。我见过太多人说“证明看懂了”，一让他写验证代码，连矩阵都构造不出来。
后来我把这个流程固定成一个 15 分钟的收尾动作：先口头复述本节结论，再跑一个最小验证，最后把验证结果截图贴进笔记。整本书读完后，这几百个最小验证代码块就变成了一本个人版习题集，比翻书找答案快得多。有一次参加一个技术方案评审，对方讲矩阵分解选型，我当场用笔记里的 SVD 验证代码算了一下内存占用和误差，直接省去了事后返工。那次以后我更加确信，教科书里的公式只有在变成能运行的代码后，才算真正进了你的工具箱。希望帮到你。
本文还有配套的精品资源，点击获取
