核心 · 16 分钟 · 更新于 2026-05-05
特征向量：在线性变换中保持方向的少数路线
解释 Av = lambda v 的几何含义，帮助读者把特征值和方向、稳定轴、拉伸倍率联系起来。
什么叫方向没有被拧弯
特征向量不是“被矩阵乘了之后还等于自己”的向量，而是方向没有改变的向量。它可以变长、变短，也可以反向，但仍然落在原来的那条直线上。这个倍率就是特征值。
在二维里，你可以把很多从原点出发的箭头送进同一个矩阵，看哪些箭头变换之后还和原来共线。大多数箭头会被扭到别的方向，只有少数方向像铰链一样稳定。那些方向就是理解变换的骨架。
如果特征值是 2，说明这个方向被拉长两倍；如果是 1/2，说明被压缩；如果是 -1，说明翻到反方向但长度不变。负号不是麻烦，它是一种几何动作。
为什么特征向量重要
一个复杂变换如果能拆成几个互不干扰的特征方向，计算就会变得简单。沿每个特征方向，只需要乘一个数。对角化的核心就是把坐标系换到这些方向上，让矩阵看起来像几个独立的缩放旋钮。
这解释了许多应用里的“主方向”。数据分析中的主成分、动力系统里的稳定方向、图像压缩中的重要模式，背后都有类似想法：找出变换最自然的方向，再观察每个方向的倍率。
当然，并不是每个矩阵都有足够多的特征向量。剪切矩阵就是一个重要反例。它看起来很简单，却提醒我们：线性变换有时只有一条稳定方向，另一部分行为需要 Jordan 块或其他分解来描述。
手算时如何不迷路
计算特征向量通常先解 det(A - lambda I) = 0，得到候选特征值；再解 (A - lambda I)v = 0，得到对应方向。这个流程容易机械化，但每一步都有图像意义。
det(A - lambda I) = 0 的意思是：把 A 和“lambda 倍缩放”相比，寻找某个方向上二者无法区分的时刻。此时 A - lambda I 会把那条方向压扁到零，所以行列式为零。
得到特征向量后，不要急着结束。把它画回原图，检查变换前后是否共线；再把特征值解释成拉伸、压缩或翻转。这个小检查能发现很多符号错误。
一句话带走
特征向量是变换中的稳定方向，特征值是这些方向上的缩放倍率。