探索线性代数中独特的幂等矩阵，了解其几何意义、判定方法以及在数据科学中的核心作用。
设 A 是一个 n×n 的方阵。如果满足以下等式：
则称矩阵 A 为幂等矩阵（Idempotent Matrix）。简单来说，就是矩阵自乘两次，结果不变。
在几何变换中，幂等矩阵通常代表一种投影操作。想象一下将三维物体投影到二维平面上，如果你再次投影这个二维图像，它的形状和位置不会发生任何改变。这就是幂等性的几何本质。
这是最简单的幂等矩阵例子。任何对角元素仅为 0 或 1 的对角矩阵都是幂等的。
示例 1：
验证：A² = A
示例 2（3阶）：
注意：如果对角线上出现其他数字（如2），则不再是幂等矩阵，因为 2² ≠ 2。
在统计学和线性代数中，投影矩阵是最核心的幂等矩阵例子。若 P 是向某个子空间投影的矩阵，则 P²=P。
最典型的公式为：
其中 X 是列满秩的设计矩阵。这个矩阵在最小二乘法回归分析中被称为“帽子矩阵”（Hat Matrix），因为它能将观测向量 y “戴”上帽子变成拟合值 ŷ。
性质：投影矩阵通常是对称的（Symmetric），即 P = PT，这种特殊的幂等矩阵也称为正交投影矩阵。
幂等矩阵不一定是对称的，也不一定是可逆的（除了单位矩阵）。
示例：
验证：
这个矩阵将二维平面上的点 (x, y) 映射为 (x+y, 0)，即投影到 x 轴上，但带有剪切变换。再次映射时，点已经在 x 轴上，故保持不变。
幂等矩阵的特征值只能是 0 或 1。这是因为若 Ax=λx，则 A²x=λ²x，又因 A²=A，故 λ²=λ，解得 λ∈{0,1}。这一性质在判断矩阵是否幂等时非常有用。
对于幂等矩阵，其迹（Trace，即对角线元素之和）等于其秩（Rank）。
tr(A) = rank(A)
这是一个非常重要的结论，常用于简化矩阵秩的计算或验证。
如果 A 是幂等矩阵，且 A ≠ I，那么 (I-A) 也是幂等矩阵。
证明：(I-A)² = I - 2A + A² = I - 2A + A = I - A。
这意味着，如果一个变换是投影，那么“1减去该投影”也是投影（投影到补空间）。
除了单位矩阵 I 以外，幂等矩阵都是奇异矩阵（不可逆）。
若 A 可逆，则 A⁻¹A² = A⁻¹A ⇒ A = I。因此，任何非单位矩阵的幂等矩阵行列式为0。
| 性质名称 | 描述 | 数学表达 |
|---|---|---|
| 幂等性 | 自乘不变 | A² = A |
| 特征值 | 仅为0或1 | λ ∈ {0, 1} |
| 迹秩相等 | 对角线和等于秩 | tr(A) = rank(A) |
| 正交补投影 | I-A 也是幂等 | (I-A)² = I-A |
| 可逆条件 | 仅当为单位矩阵时可逆 | det(A) = 0 (若 A≠I) |
在多元线性回归中，我们需要将观测值 y 投影到由自变量 X 张成的列空间上。投影矩阵 H = X(X'X)⁻¹X' 是一个幂等矩阵。它保证了残差向量 e = (I-H)y 与拟合值 ŷ = Hy 正交，从而使得方差分析（ANOVA）成为可能。
在3D渲染中，将3D场景投影到2D屏幕的过程涉及矩阵乘法。如果多次应用相同的投影变换，图像不应发生二次变形，这种变换算子本质上具有幂等性的特征（尽管通常涉及仿射变换的齐次坐标处理）。
在某些线性系统控制中，投影算子用于将系统状态限制在特定的约束子空间内。这些投影算子必须是幂等的，以确保一旦状态进入该子空间，就不会再离开。
在阵列信号处理中，如MUSIC算法，需要将信号子空间与噪声子空间分离。用于提取信号子空间的投影矩阵是幂等矩阵，用于去除噪声干扰。
A: 最直接的方法是计算 A²。如果 A 是方阵且 A² = A，则是幂等矩阵。对于对角矩阵，只需检查对角线元素是否为0或1。对于投影矩阵，检查是否对称且幂等。
A: 不一定。虽然统计学中的投影矩阵通常是对称的（正交投影），但一般的幂等矩阵可以是非对称的（斜投影）。例如之前提到的 [[1,1],[0,0]] 就是非对称的。
A: 通常不是。设 A, B 幂等，(A+B)² = A² + AB + BA + B² = A + B + AB + BA。要使 (A+B)² = A+B，必须满足 AB + BA = 0。只有当 AB = -BA 时才成立，这要求 A 和 B 反对易，一般情况下不成立。