探索向量空间的维度，理解线性方程组的解结构，掌握机器学习降维的数学基石。
在深入线性代数的迷宫之前，我们必须厘清两个基本但至关重要的概念：行秩（Row Rank）和列秩（Column Rank）。许多初学者容易混淆它们，但事实上，它们是同一枚硬币的两面。
矩阵的行秩是指矩阵中线性无关的行向量的最大数量。
想象一个矩阵的每一行都是一个向量。如果我们能通过线性组合（加减、缩放）将某些行变成全零行，那么剩下的那些“独立”的行，其数量就是行秩。
矩阵的列秩是指矩阵中线性无关的列向量的最大数量。
同理，将矩阵的每一列视为一个向量。能够构成列空间基底的线性无关列向量的个数，即为列秩。
在现实世界中，数据往往以矩阵形式存在。行可能代表样本，列代表特征。理解行秩和列秩，就是理解数据中包含了多少“独立信息”。如果秩很低，说明数据存在冗余，我们可以进行压缩；如果秩满，说明信息最大化。
线性代数中最优美、最令人惊叹的定理之一就是：
Row Rank(A) = Column Rank(A)
正因为这一性质，我们不再区分行秩和列秩，而统称为矩阵的秩（Rank），记作 r(A) 或 rank(A)。
我们可以通过高斯消元法来直观理解。当我们对矩阵进行初等行变换时：
当我们把矩阵化为行阶梯形矩阵（Row Echelon Form）时：
因此，行秩等于列秩。这是一个深刻的几何事实：矩阵所代表的线性变换，其输入空间的维度（列秩）与输出空间的维度（行秩）在某种意义上是守恒的。
在实际应用和考试中，计算矩阵的秩是最常见的任务。以下是标准的操作流程。
这是最推荐的方法，适用于所有矩阵（包括非方阵）。
步骤：
示例：
| 原始矩阵 | 第一步：R2-R1 | 第二步：R3-2R2 |
|---|---|---|
最终有2个非零行，故秩为2。
如果 A 是 n×n 的方阵：
注意：此方法计算量大，仅适用于低阶矩阵或小规模验证。
直接寻找矩阵中线性无关的行或列的最大集合。
示例：
对于矩阵 ，第二行是第一行的2倍，线性相关。因此最大线性无关组只有一行（或一列），故秩为1。
矩阵的秩不仅仅是纸面上的数字，它是连接纯数学与应用科学的桥梁。
对于方程组 Ax=b：
这里，秩直接决定了解空间的维度（自由变量的个数）。
在数据科学中，原始数据往往包含大量噪声和冗余。主成分分析（PCA）的核心就是计算协方差矩阵的特征值和特征向量。
通过保留最大的 k 个特征值，我们实际上是在寻找一个 k 维的子空间，使得数据在该空间上的投影方差最大。这个 k 值的选择，本质上是在权衡秩（信息保留）与模型复杂度。
在图论中，图的拉普拉斯矩阵（Laplacian Matrix）的秩与图的连通分量数量密切相关。对于 n 个顶点的无向图，拉普拉斯矩阵的零特征值的个数等于图的连通块数。这揭示了代数性质与拓扑结构之间的深刻联系。
莱布尼茨和高斯早期工作中，开始关注线性方程组系数之间的关系，行列式概念萌芽。
阿瑟·凯莱（Arthur Cayley）正式提出“矩阵”概念，并建立了矩阵运算的基本法则。
弗罗贝尼乌斯（Frobenius）等人系统研究了矩阵的秩，证明了行秩等于列秩这一基本定理，并引入了“等价标准型”。
随着计算机科学的发展，矩阵的秩成为数值线性代数、控制论和信息论的核心概念。SVD（奇异值分解）的普及使得低秩近似成为可能。
这是一个深刻的线性代数定理。直观理解是，行变换不改变行向量组的线性关系，也不改变列向量组的线性关系。当矩阵化为最简形时，主元所在的列构成了列空间的基，而这些主元所在的行构成了行空间的基，其数量必然相等。严格证明通常涉及对秩的定义及分块矩阵运算。
零矩阵的秩为0。因为零矩阵没有任何非零行，也不包含线性无关的列向量。
对于n阶方阵，如果其秩等于n，则称为满秩矩阵。这意味着它的行向量线性无关，列向量也线性无关，矩阵可逆，对应的线性方程组有唯一解，且其行列式不为零。
秩为1的矩阵可以表示为一个列向量和一个行向量的外积（A = uv^T）。在图像处理中，秩1矩阵代表最简单的图像结构；在推荐系统中，低秩近似假设用户-物品评分矩阵近似为低秩矩阵，从而进行补全。