贡献者： addis
我们已经知道 $M\times N$ 的矩阵可以表示一个 $N$ 维列矢量的线性组合，得到一个 $M$ 维列矢量（式 8 ）。
\begin{equation}
\boldsymbol{\mathbf{y}} = \boldsymbol{\mathbf{A}} \boldsymbol{\mathbf{x}} ~.
\end{equation}
我们可以把这个 $ \boldsymbol{\mathbf{x}} $ 看做任意一个 $N$ 维
矢量空间 $X$ 中某矢量关于某组基底 $\{ \boldsymbol{\mathbf{x}} _i\}$ 的坐标，而把 $ \boldsymbol{\mathbf{y}} $ 看做任意一个 $M$ 维矢量空间（以下称为 $Y$ 空间）中某矢量关于某组基底 $\{ \boldsymbol{\mathbf{y}} _i\}$ 的坐标
1。当基底的选取不同，同一个矩阵表示的映射也不同。
这样，我们就通过矩阵 $ \boldsymbol{\mathbf{A}} $ 建立了从 $X$ 空间到 $Y$ 空间的一个映射 $A:X\to Y$。即 $X$ 空间的任意矢量 $ \boldsymbol{\mathbf{x}} $，都可以映射到 $Y$ 空间中唯一矢量 $ \boldsymbol{\mathbf{y}} $。注意该映射既不一定是单射也不一定是满射，而是要取决于 $ \boldsymbol{\mathbf{A}} $ 的具体性质。
特殊地，当矩阵 $ \boldsymbol{\mathbf{A}} $ 为方阵时，矩阵 $ \boldsymbol{\mathbf{A}} $ 可以用于表示 $X$ 空间到自身的自映射 $A:X\to X$，即 $ \boldsymbol{\mathbf{x}} $ 和 $ \boldsymbol{\mathbf{y}} $ 都是 $X$ 空间中的矢量的坐标，但 $\{ \boldsymbol{\mathbf{x}} _i\}$ 和 $\{ \boldsymbol{\mathbf{y}} _i\}$ 仍然可以是 $X$ 空间中两组不同的基底。同样，自映射也未必是单射或满射。
由矩阵与列矢量乘法的分配律（式 21 ）可知 $X$ 空间中若干个矢量做任意线性组合然后映射到 $Y$ 空间，等于这些矢量先分别映射到 $Y$ 空间再做同样的线性组合，即
\begin{equation}
\boldsymbol{\mathbf{A}} \left(\sum_i c_i \boldsymbol{\mathbf{x}} _i \right) = \sum_i c_i \left( \boldsymbol{\mathbf{A}} \boldsymbol{\mathbf{x}} _i \right) ~,
\end{equation}
这说明，
任何矩阵 $ \boldsymbol{\mathbf{A}} $ 表示的映射 $A:X\to Y$ 必定是线性映射。
作为一个简单的例子，我们来看平面旋转矩阵
\begin{equation}
\boldsymbol{\mathbf{R}} _2 = \begin{pmatrix}
\cos\theta & - \sin\theta\\
\sin\theta &\cos\theta
\end{pmatrix}~.
\end{equation}
这是一个方阵，对应二维矢量空间（例如二维几何矢量构成的空间）的自映射。对于这个矩阵我们有 “主动” 和 “被动” 两种理解，前者假设基底不变而矢量旋转，后者假设矢量不变而基底旋转
2。这个映射中，映射前后的矢量有
一一对应关系。
我们还可能有多对一映射，即多个矢量映射后可能得到同一个矢量（例 1 ）。来看一个例子。
例 1 投影矩阵
我们考虑一个投影变换：将平面上任意几何矢量投影到 $ \hat{\boldsymbol{\mathbf{x}}} + \hat{\boldsymbol{\mathbf{y}}} $ 方向上得到该方向的矢量。已知该变换是线性的，写出变换矩阵（变换前后使用同一组正交归一基底 $ \hat{\boldsymbol{\mathbf{x}}} _1, \hat{\boldsymbol{\mathbf{x}}} _2$）
解：与 “平面旋转矩阵” 中的方法同理，先考虑各基底的投影变换。$ \hat{\boldsymbol{\mathbf{x}}} _1 = (1, 0) ^{\mathrm{T}} $ 投影后变为 $(1, 1) ^{\mathrm{T}} /\sqrt2$，$ \hat{\boldsymbol{\mathbf{x}}} _2$ 投影后同样变为 $(1, 1) ^{\mathrm{T}} /\sqrt2$，所以投影变换矩阵即使两个列矢量组成的矩阵
\begin{equation}
\boldsymbol{\mathbf{P}} = \frac{1}{\sqrt{2}} \begin{pmatrix}1 && 1\\ 1 && 1\end{pmatrix} ~.
\end{equation}
注意该变换中虽然每个矢量都映射到同一空间的唯一的矢量，但不同的矢量有可能映射到同一个矢量。所以这是一个多对一映射。
1. 定义域和值域
式 1 表示的线性映射中，定义域（domain）是 $X$ 空间中的任意矢量，而值域（range）却不一定是整个 $Y$ 空间，也可能是 $Y$ 的一个子空间。任何情况下，线性映射的值域必定是一个矢量空间。例如例 1 中投影变换的值域就是沿 $ \hat{\boldsymbol{\mathbf{x}}} _1 + \hat{\boldsymbol{\mathbf{x}}} _2$ 方向的任意矢量（包括零矢量）构成的一维矢量空间，是二维矢量空间中的一个子空间。
2. 矩阵的列
我们先来看第一空间的基底 $ \boldsymbol{\mathbf{\alpha}} _1$ 如何映射到第二空间。$ \boldsymbol{\mathbf{\alpha}} _1$ 对应的列矢量是 $(1, 0, \dots) ^{\mathrm{T}} $，作为 $ \boldsymbol{\mathbf{x}} $ 输入矩阵 $ \boldsymbol{\mathbf{A}} $ 得 $ \boldsymbol{\mathbf{y}} $ 等于 $ \boldsymbol{\mathbf{A}} $ 的第一列。同理，矩阵的第 $i$ 列就是 $ \boldsymbol{\mathbf{\alpha}} _i$ 映射到第二个空间的矢量在基底 $\{ \boldsymbol{\mathbf{\beta}} _i\}$ 上的坐标。
未完成：未完成
3. 矩阵元
线性算符 $A:X\to Y$ 的矩阵记为 $ \boldsymbol{\mathbf{A}} $，矩阵元记为 $A_{i,j}$，如果有一组 $X$ 的正交归一基底 $\xi_j$ 和 $Y$ 的正交归一基底 $\eta_i$，那么矩阵元为
\begin{equation}
A_{i,j} = \left\langle \eta_i \middle| A \middle| \xi_j \right\rangle ~,
\end{equation}
这里我们使用了狄拉克符号
表示点乘。若 $\xi_j, \eta_i$ 的列矢量为 $ \boldsymbol{\mathbf{\xi}} _j, \boldsymbol{\mathbf{\eta_i}} $，那么也可以记为
\begin{equation}
A_{i,j} = \boldsymbol{\mathbf{\eta_i}} ^\dagger { \boldsymbol{\mathbf{A}} } \boldsymbol{\mathbf{\xi_j}} ~.
\end{equation}
证明：把式 2 代入即可：
\begin{equation}
\begin{aligned}
\left\langle \eta_i \middle| A \middle| \xi_j \right\rangle &= \langle{\eta_i}|{ \left(\sum_{i',j'} A_{i',j'} \left\lvert \eta_{i'} \right\rangle \left\langle \xi_{j'} \right\rvert \right) }|{\xi_j}\rangle
= \sum_{i',j'} A_{i',j'} \left\langle \eta_i \middle| \eta_{i'} \right\rangle \left\langle \xi_{j'} \middle| \xi_j \right\rangle \\
&= \sum_{i',j'} A_{i',j'} \delta_{i,i'}\delta_{j,j'}
= A_{i,j}~,
\end{aligned}
\end{equation}
证毕。
1. ^ 要再次强调列矢量 $ \boldsymbol{\mathbf{x}} , \boldsymbol{\mathbf{y}} $ 并不是矢量本身，而是矢量关于选定基底的坐标
2. ^ 注意 “主动” 和 “被动” 并不是两种唯一的理解，例如我们可以选择让基底顺时针旋转 $\theta/2$，矢量逆时针旋转 $\theta/2$。
致读者： 小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损， 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。