迹算子是线性代数中一个基础但非常有用的概念。对于一个方阵迹等于其主对角线元素之和。它看似简单却在矩阵分析、机器学习、优化理论、数值计算和物理建模中频繁出现。相比行列式、特征值等概念迹的计算更稳定、解释更直观也更适合通过 Python 进行实验验证。一、迹算子的数学定义设AAA是一个n×nn \times nn×n的方阵其元素记为aija_{ij}aij则迹算子定义为tr(A)∑i1naii \operatorname{tr}(A) \sum_{i1}^{n} a_{ii}tr(A)i1∑naii也就是说迹只与方阵主对角线上的元素有关。例如A[123456789] A \begin{bmatrix} 1 2 3 \\ 4 5 6 \\ 7 8 9 \end{bmatrix}A147258369则tr(A)15915 \operatorname{tr}(A) 1 5 9 15tr(A)15915需要注意的是迹只对方阵有定义。如果一个矩阵不是方阵例如形状为3×43 \times 43×4或2×52 \times 52×5则不能直接定义迹。二、迹算子的主要性质迹算子之所以重要不仅因为它定义简单还因为它具有良好的代数性质。线性性对任意同阶方阵A,BA, BA,B和标量α,β\alpha, \betaα,β有tr(αAβB)αtr(A)βtr(B) \operatorname{tr}(\alpha A \beta B) \alpha \operatorname{tr}(A) \beta \operatorname{tr}(B)tr(αAβB)αtr(A)βtr(B)这说明迹是一个线性算子。转置不变性方阵转置后主对角线元素不变因此tr(A)tr(A⊤) \operatorname{tr}(A) \operatorname{tr}(A^\top)tr(A)tr(A⊤)循环性若矩阵乘法维度匹配则迹满足循环置换性质tr(AB)tr(BA) \operatorname{tr}(AB) \operatorname{tr}(BA)tr(AB)tr(BA)更一般地tr(ABC)tr(BCA)tr(CAB) \operatorname{tr}(ABC) \operatorname{tr}(BCA) \operatorname{tr}(CAB)tr(ABC)tr(BCA)tr(CAB)但要注意迹一般不满足任意交换例如tr(ABC)\operatorname{tr}(ABC)tr(ABC)不一定等于tr(ACB)\operatorname{tr}(ACB)tr(ACB)。与特征值的关系若AAA是n×nn \times nn×n方阵其特征值为λ1,λ2,…,λn\lambda_1, \lambda_2, \dots, \lambda_nλ1,λ2,…,λn则tr(A)∑i1nλi \operatorname{tr}(A) \sum_{i1}^{n} \lambda_itr(A)i1∑nλi也就是说迹等于所有特征值之和。这个性质在矩阵分析中非常重要。相似不变性若PPP可逆则tr(P−1AP)tr(A) \operatorname{tr}(P^{-1}AP) \operatorname{tr}(A)tr(P−1AP)tr(A)这说明迹在相似变换下保持不变因此它是一个矩阵的内在属性。三、Python 实现基础版本下面给出一个不依赖第三方库的基础实现。它可以帮助理解迹算子的计算过程。deftrace(matrix): 计算方阵的迹。 参数: matrix: 二维列表表示 n x n 方阵 返回: 主对角线元素之和 nlen(matrix)ifn0:raiseValueError(矩阵不能为空)forrowinmatrix:iflen(row)!n:raiseValueError(输入必须是方阵)returnsum(matrix[i][i]foriinrange(n))# 示例矩阵A[[1,2,3],[4,5,6],[7,8,9]]print(矩阵 A:)forrowinA:print(row)print(tr(A) ,trace(A))运行结果为矩阵 A: [1, 2, 3] [4, 5, 6] [7, 8, 9] tr(A) 15这个实现的核心是遍历主对角线元素matrix[i][i]然后求和。它的时间复杂度为O(n)O(n)O(n)因为只需要访问nnn个对角线元素。不过它没有利用数值计算库适合教学和小规模数据。四、基于 NumPy 的高效实现在实际工程中更推荐使用 NumPy 计算迹因为 NumPy 底层使用 C/Fortran 实现计算效率更高并且支持大规模数组。importnumpyasnp Anp.array([[1,2,3],[4,5,6],[7,8,9]])print(A 的形状:,A.shape)print(tr(A) ,np.trace(A))输出为A 的形状: (3, 3) tr(A) 15NumPy 中的np.trace不仅可以计算普通方阵的迹还可以通过offset参数计算偏移对角线的和。例如importnumpyasnp Anp.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])print(主对角线迹:,np.trace(A))print(上移一条对角线:,np.trace(A,offset1))print(下移一条对角线:,np.trace(A,offset-1))输出为主对角线迹: 34 上移一条对角线: 24 下移一条对角线: 30这里需要注意严格意义上的迹通常指主对角线之和。偏移对角线之和可以看作一种扩展用法在图像处理、信号处理和某些矩阵分解任务中可能会用到。五、验证迹的重要性质1. 线性性验证importnumpyasnp Anp.array([[1,2],[3,4]])Bnp.array([[5,6],[7,8]])alpha2beta-1lhsnp.trace(alpha*Abeta*B)rhsalpha*np.trace(A)beta*np.trace(B)print(tr(alpha*A beta*B) ,lhs)print(alpha*tr(A) beta*tr(B) ,rhs)print(线性性成立:,np.isclose(lhs,rhs))输出为tr(alpha*A beta*B) -1 alpha*tr(A) beta*tr(B) -1 线性性成立: True2. 转置不变性验证importnumpyasnp Anp.array([[1,2,3],[4,5,6],[7,8,9]])print(tr(A) ,np.trace(A))print(tr(A.T) ,np.trace(A.T))print(转置不变性成立:,np.isclose(np.trace(A),np.trace(A.T)))输出为tr(A) 15 tr(A.T) 15 转置不变性成立: True3. 循环性验证importnumpyasnp Anp.array([[1,2],[3,4]])Bnp.array([[5,6],[7,8]])print(tr(AB) ,np.trace(A B))print(tr(BA) ,np.trace(B A))print(循环性成立:,np.isclose(np.trace(A B),np.trace(B A)))输出为tr(AB) 61 tr(BA) 61 循环性成立: True4. 特征值之和验证importnumpyasnp Anp.array([[2,1],[0,3]])eigenvaluesnp.linalg.eigvals(A)print(特征值:,eigenvalues)print(特征值之和:,np.sum(eigenvalues))print(tr(A):,np.trace(A))print(迹等于特征值之和:,np.isclose(np.trace(A),np.sum(eigenvalues)))输出为特征值: [2. 3.] 特征值之和: 5.0 tr(A): 5 迹等于特征值之和: True六、迹在机器学习中的典型应用迹算子在机器学习中经常出现。例如在多元高斯分布、协方差矩阵分析、矩阵求导和正则化方法中迹都可以用来简化表达。一个常见场景是计算协方差矩阵的迹。协方差矩阵的迹等于所有特征方差之和因此可以反映数据的总体离散程度。importnumpyasnp np.random.seed(0)Xnp.random.randn(100,3)# 每列代表一个特征cov_matrixnp.cov(X,rowvarFalse)print(协方差矩阵:)print(cov_matrix)print(协方差矩阵的迹:,np.trace(cov_matrix))print(各特征方差之和:,np.sum(np.diag(cov_matrix)))输出类似协方差矩阵: [[1.03 0.02 -0.05] [0.02 0.98 0.01] [-0.05 0.01 1.02]] 协方差矩阵的迹: 3.03 各特征方差之和: 3.03这里可以看到协方差矩阵的迹等于对角线元素之和也就是每个特征的方差之和。这个性质在特征选择、降维和模型正则化中都有意义。七、代码解析上述代码主要体现了三类实现思路。第一类是纯 Python 实现。它通过列表索引访问主对角线元素逻辑清晰适合理解迹的定义。但它的缺点是效率较低不适合大规模矩阵。第二类是NumPy 实现。np.trace直接计算主对角线之和代码简洁、性能高也支持偏移对角线。对于工程实践通常优先使用这种方式。第三类是性质验证实现。通过构造随机矩阵或特定矩阵验证迹的线性性、转置不变性、循环性和特征值关系。这类代码有助于从数值实验角度理解抽象性质。八、实现亮点这份报告中的实现有以下几个亮点。第一从定义出发逐步过渡到工程实现。先给出基础 Python 版本再给出 NumPy 版本既适合学习也适合实际使用。第二通过数值实验验证数学性质。迹的循环性和特征值之和性质如果只停留在公式层面可能不够直观。用 Python 验证后可以更清楚地看到这些性质的正确性。第三结合机器学习场景。协方差矩阵的迹能够反映数据整体方差这一应用比单纯计算一个数字更有意义。第四代码结构清晰易于扩展。可以在此基础上继续实现迹范数、Frobenius 范数、矩阵导数验证等内容。九、注意事项使用迹算子时需要注意以下几点。首先迹只对方阵有定义。如果输入不是方阵应提前检查矩阵形状。其次数值计算中可能存在浮点误差。比较两个迹是否相等时建议使用np.isclose而不是直接使用。再次迹的循环性不能随意推广。虽然tr(AB)tr(BA)\operatorname{tr}(AB) \operatorname{tr}(BA)tr(AB)tr(BA)成立但矩阵乘法本身不满足交换律因此不能认为ABBAAB BAABBA。最后迹是一个标量它只能反映矩阵的一部分信息。两个不同矩阵可能具有相同的迹因此不能仅凭迹判断矩阵是否相等。十、总结迹算子是线性代数中一个简洁而重要的工具。它的定义只是主对角线元素之和但背后连接着线性性、转置不变性、循环性、特征值和相似不变性等多个重要性质。通过 Python 实现可以从基础算法、数值计算和机器学习应用三个层面理解迹算子。基础实现帮助理解定义NumPy 实现提高计算效率性质验证和应用示例则展示了它在实际工程中的价值。对于后续学习矩阵微积分、优化算法、统计学习和数值线性代数迹算子都是一个值得熟练掌握的基础概念。 
长河君 · 2026/10/31 11:11:42 · 阅读 1.2k 迹算子是线性代数中一个基础但非常有用的概念。对于一个方阵，迹等于其主对角线元素之和
迹算子是线性代数中一个基础但非常有用的概念。对于一个方阵迹等于其主对角线元素之和。它看似简单却在矩阵分析、机器学习、优化理论、数值计算和物理建模中频繁出现。相比行列式、特征值等概念迹的计算更稳定、解释更直观也更适合通过 Python 进行实验验证。一、迹算子的数学定义设AAA是一个n×nn \times nn×n的方阵其元素记为aija_{ij}aij则迹算子定义为tr(A)∑i1naii \operatorname{tr}(A) \sum_{i1}^{n} a_{ii}tr(A)i1∑naii也就是说迹只与方阵主对角线上的元素有关。例如A[123456789] A \begin{bmatrix} 1 2 3 \\ 4 5 6 \\ 7 8 9 \end{bmatrix}A147258369则tr(A)15915 \operatorname{tr}(A) 1 5 9 15tr(A)15915需要注意的是迹只对方阵有定义。如果一个矩阵不是方阵例如形状为3×43 \times 43×4或2×52 \times 52×5则不能直接定义迹。二、迹算子的主要性质迹算子之所以重要不仅因为它定义简单还因为它具有良好的代数性质。线性性对任意同阶方阵A,BA, BA,B和标量α,β\alpha, \betaα,β有tr(αAβB)αtr(A)βtr(B) \operatorname{tr}(\alpha A \beta B) \alpha \operatorname{tr}(A) \beta \operatorname{tr}(B)tr(αAβB)αtr(A)βtr(B)这说明迹是一个线性算子。转置不变性方阵转置后主对角线元素不变因此tr(A)tr(A⊤) \operatorname{tr}(A) \operatorname{tr}(A^\top)tr(A)tr(A⊤)循环性若矩阵乘法维度匹配则迹满足循环置换性质tr(AB)tr(BA) \operatorname{tr}(AB) \operatorname{tr}(BA)tr(AB)tr(BA)更一般地tr(ABC)tr(BCA)tr(CAB) \operatorname{tr}(ABC) \operatorname{tr}(BCA) \operatorname{tr}(CAB)tr(ABC)tr(BCA)tr(CAB)但要注意迹一般不满足任意交换例如tr(ABC)\operatorname{tr}(ABC)tr(ABC)不一定等于tr(ACB)\operatorname{tr}(ACB)tr(ACB)。与特征值的关系若AAA是n×nn \times nn×n方阵其特征值为λ1,λ2,…,λn\lambda_1, \lambda_2, \dots, \lambda_nλ1,λ2,…,λn则tr(A)∑i1nλi \operatorname{tr}(A) \sum_{i1}^{n} \lambda_itr(A)i1∑nλi也就是说迹等于所有特征值之和。这个性质在矩阵分析中非常重要。相似不变性若PPP可逆则tr(P−1AP)tr(A) \operatorname{tr}(P^{-1}AP) \operatorname{tr}(A)tr(P−1AP)tr(A)这说明迹在相似变换下保持不变因此它是一个矩阵的内在属性。三、Python 实现基础版本下面给出一个不依赖第三方库的基础实现。它可以帮助理解迹算子的计算过程。deftrace(matrix): 计算方阵的迹。 参数: matrix: 二维列表表示 n x n 方阵 返回: 主对角线元素之和 nlen(matrix)ifn0:raiseValueError(矩阵不能为空)forrowinmatrix:iflen(row)!n:raiseValueError(输入必须是方阵)returnsum(matrix[i][i]foriinrange(n))# 示例矩阵A[[1,2,3],[4,5,6],[7,8,9]]print(矩阵 A:)forrowinA:print(row)print(tr(A) ,trace(A))运行结果为矩阵 A: [1, 2, 3] [4, 5, 6] [7, 8, 9] tr(A) 15这个实现的核心是遍历主对角线元素matrix[i][i]然后求和。它的时间复杂度为O(n)O(n)O(n)因为只需要访问nnn个对角线元素。不过它没有利用数值计算库适合教学和小规模数据。四、基于 NumPy 的高效实现在实际工程中更推荐使用 NumPy 计算迹因为 NumPy 底层使用 C/Fortran 实现计算效率更高并且支持大规模数组。importnumpyasnp Anp.array([[1,2,3],[4,5,6],[7,8,9]])print(A 的形状:,A.shape)print(tr(A) ,np.trace(A))输出为A 的形状: (3, 3) tr(A) 15NumPy 中的np.trace不仅可以计算普通方阵的迹还可以通过offset参数计算偏移对角线的和。例如importnumpyasnp Anp.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])print(主对角线迹:,np.trace(A))print(上移一条对角线:,np.trace(A,offset1))print(下移一条对角线:,np.trace(A,offset-1))输出为主对角线迹: 34 上移一条对角线: 24 下移一条对角线: 30这里需要注意严格意义上的迹通常指主对角线之和。偏移对角线之和可以看作一种扩展用法在图像处理、信号处理和某些矩阵分解任务中可能会用到。五、验证迹的重要性质1. 线性性验证importnumpyasnp Anp.array([[1,2],[3,4]])Bnp.array([[5,6],[7,8]])alpha2beta-1lhsnp.trace(alpha*Abeta*B)rhsalpha*np.trace(A)beta*np.trace(B)print(tr(alpha*A beta*B) ,lhs)print(alpha*tr(A) beta*tr(B) ,rhs)print(线性性成立:,np.isclose(lhs,rhs))输出为tr(alpha*A beta*B) -1 alpha*tr(A) beta*tr(B) -1 线性性成立: True2. 转置不变性验证importnumpyasnp Anp.array([[1,2,3],[4,5,6],[7,8,9]])print(tr(A) ,np.trace(A))print(tr(A.T) ,np.trace(A.T))print(转置不变性成立:,np.isclose(np.trace(A),np.trace(A.T)))输出为tr(A) 15 tr(A.T) 15 转置不变性成立: True3. 循环性验证importnumpyasnp Anp.array([[1,2],[3,4]])Bnp.array([[5,6],[7,8]])print(tr(AB) ,np.trace(A B))print(tr(BA) ,np.trace(B A))print(循环性成立:,np.isclose(np.trace(A B),np.trace(B A)))输出为tr(AB) 61 tr(BA) 61 循环性成立: True4. 特征值之和验证importnumpyasnp Anp.array([[2,1],[0,3]])eigenvaluesnp.linalg.eigvals(A)print(特征值:,eigenvalues)print(特征值之和:,np.sum(eigenvalues))print(tr(A):,np.trace(A))print(迹等于特征值之和:,np.isclose(np.trace(A),np.sum(eigenvalues)))输出为特征值: [2. 3.] 特征值之和: 5.0 tr(A): 5 迹等于特征值之和: True六、迹在机器学习中的典型应用迹算子在机器学习中经常出现。例如在多元高斯分布、协方差矩阵分析、矩阵求导和正则化方法中迹都可以用来简化表达。一个常见场景是计算协方差矩阵的迹。协方差矩阵的迹等于所有特征方差之和因此可以反映数据的总体离散程度。importnumpyasnp np.random.seed(0)Xnp.random.randn(100,3)# 每列代表一个特征cov_matrixnp.cov(X,rowvarFalse)print(协方差矩阵:)print(cov_matrix)print(协方差矩阵的迹:,np.trace(cov_matrix))print(各特征方差之和:,np.sum(np.diag(cov_matrix)))输出类似协方差矩阵: [[1.03 0.02 -0.05] [0.02 0.98 0.01] [-0.05 0.01 1.02]] 协方差矩阵的迹: 3.03 各特征方差之和: 3.03这里可以看到协方差矩阵的迹等于对角线元素之和也就是每个特征的方差之和。这个性质在特征选择、降维和模型正则化中都有意义。七、代码解析上述代码主要体现了三类实现思路。第一类是纯 Python 实现。它通过列表索引访问主对角线元素逻辑清晰适合理解迹的定义。但它的缺点是效率较低不适合大规模矩阵。第二类是NumPy 实现。np.trace直接计算主对角线之和代码简洁、性能高也支持偏移对角线。对于工程实践通常优先使用这种方式。第三类是性质验证实现。通过构造随机矩阵或特定矩阵验证迹的线性性、转置不变性、循环性和特征值关系。这类代码有助于从数值实验角度理解抽象性质。八、实现亮点这份报告中的实现有以下几个亮点。第一从定义出发逐步过渡到工程实现。先给出基础 Python 版本再给出 NumPy 版本既适合学习也适合实际使用。第二通过数值实验验证数学性质。迹的循环性和特征值之和性质如果只停留在公式层面可能不够直观。用 Python 验证后可以更清楚地看到这些性质的正确性。第三结合机器学习场景。协方差矩阵的迹能够反映数据整体方差这一应用比单纯计算一个数字更有意义。第四代码结构清晰易于扩展。可以在此基础上继续实现迹范数、Frobenius 范数、矩阵导数验证等内容。九、注意事项使用迹算子时需要注意以下几点。首先迹只对方阵有定义。如果输入不是方阵应提前检查矩阵形状。其次数值计算中可能存在浮点误差。比较两个迹是否相等时建议使用np.isclose而不是直接使用。再次迹的循环性不能随意推广。虽然tr(AB)tr(BA)\operatorname{tr}(AB) \operatorname{tr}(BA)tr(AB)tr(BA)成立但矩阵乘法本身不满足交换律因此不能认为ABBAAB BAABBA。最后迹是一个标量它只能反映矩阵的一部分信息。两个不同矩阵可能具有相同的迹因此不能仅凭迹判断矩阵是否相等。十、总结迹算子是线性代数中一个简洁而重要的工具。它的定义只是主对角线元素之和但背后连接着线性性、转置不变性、循环性、特征值和相似不变性等多个重要性质。通过 Python 实现可以从基础算法、数值计算和机器学习应用三个层面理解迹算子。基础实现帮助理解定义NumPy 实现提高计算效率性质验证和应用示例则展示了它在实际工程中的价值。对于后续学习矩阵微积分、优化算法、统计学习和数值线性代数迹算子都是一个值得熟练掌握的基础概念。