矩阵的秩计算器

矩阵的秩是「有效行（列）数」——行向量组中线性无关的最大个数。[[1,2,3],[2,4,6],[1,1,1]] 的秩为 2：第 2 行是第 1 行的 2 倍（冗余），真正独立的信息只有两行。

秩决定方程组的命运：系数矩阵秩 = 增广矩阵秩 = 未知数个数时唯一解；秩 < 未知数个数时无穷多解；两秩不等时无解。秩也是数据科学中「矩阵真实维度」的度量。

矩阵的秩是「有效信息量」的度量：行向量组中真正独立的行有几条，列向量张成的空间是几维。一个 5×5 矩阵可能秩只有 2——看似 25 个数字，实际只携带 2 维信息。秩的深刻之处在于行秩恒等于列秩（这是线性代数第一个「奇迹定理」）：无论从行看还是从列看，独立维数必然相同。这个等式把看似无关的两个视角焊接在一起，是高斯消元正确性的理论基石。

秩的计算方法是高斯消元到行阶梯形，数非零行。过程中三类行变换（交换、倍乘、倍加）都不改变行空间，因此不改变秩。秩的实际用途远超解方程：数据矩阵的秩反映特征间的真实维度（PCA 的理论依据）、网络邻接矩阵的秩反映连接结构、图像矩阵的低秩近似就是压缩（保留前 k 个奇异值，SVD 视角下的秩 k 逼近）。机器学习中赫赫有名的「低秩假设」，本质就是相信真实数据的秩远小于表观维数。

秩有一组优美的不等式：rank(AB)≤min(rank A, rank B)（乘积不增秩——信息只会丢失不会凭空产生）；rank(A+B)≤rank A+rank B；Sylvester 不等式 rank(AB)≥rank A+rank B−n。满秩（rank=min(m,n)）的矩阵是「generic」的——随机矩阵几乎必然满秩，秩亏则意味着存在精确的线性依赖关系，往往提示数据中隐藏的结构或约束。

秩描述了一个线性变换的「信息保留程度」：满秩变换意味着没有信息丢失（一一映射），降秩则意味着空间被压缩——例如把一个三维空间投影到二维平面，信息的自由度从 3 降到了 2。在图像处理中，低秩近似（用秩更小的矩阵逼近原矩阵）是实现图像压缩的核心思想。

秩的计算通过高斯消元法（行阶梯形）：非零行的数量就是行秩。行秩永远等于列秩，这是线性代数中最漂亮的定理之一。对一个 m×n 矩阵，秩最大不超过 min(m,n)。秩越小，矩阵越接近「冗余」——这在推荐系统的矩阵分解中有重要意义：用户-物品评分矩阵通常是低秩的，说明少数潜在维度就能解释大部分评分模式。

秩-零化度定理是理解矩阵结构的钥匙：rank(A) + nullity(A) = n（列数）。零化度是齐次方程组 Ax = 0 的自由度——解空间的维数。这个定理把信息的保留（秩）与信息的丢失（零化度）统一在一个等式中，是信号处理、控制理论和数据压缩的共同数学基础。