简介：线性代数经典教材《Linear Algebra with Applications》第十版由Steven J. Leon和Lisette de Pillis合著，全书共8章556页，系统讲解矩阵与线性方程组、行列式、向量空间、线性变换、特征值理论、正交性及最小二乘法等核心内容，适合数学、计算机、数据科学、物理与工程专业学生以及考研、自学者用作教材或复习参考。这一PDF版本为Pearson全球版，内容完整，延续了作者强调应用的教学理念：正文穿插大量来自工程、经济、生命科学等领域的实例，每章末尾附有精选习题和MATLAB计算机练习，可帮助读者加深对抽象概念的理解，也能满足教师布置上机任务的需要。资源包内仅包含1个PDF文件，大小6.69MB，页面清晰，适合在平板电脑上阅读、批注和关键词检索。截至目前，已有1055人学习/下载，是一份被众多学习者验证过的优质线性代数电子教材。
1. 这版教材凭什么值得花时间：从“行列式计算”到“矩阵应用思维”
很多人学线性代数是被“行列式展开、逆矩阵公式”劝退的，觉得这就是一门“算算算”的课。但当你看到《Linear Algebra with Applications 10th》的标题时，真正该留意的是最后那个词“Applications”。这本书不是把线性代数讲成纯数学，而是让你从“为什么需要矩阵”出发，一步步看到方程组、向量空间、特征值在数据拟合、图像处理、机器学习里的真实落脚点。适合三类人：正在修线性代数课程的学生、想补数学底子的程序员、以及准备考研或转行数据方向的从业者。它能帮你把“线性代数”从符号迷宫变成一套可以随时调用的思维工具，但前提是你愿意按对的路径去学，而不是从头翻到尾背公式。
2. 把“线性代数”当工具还是当理论？先看第10版的内容编排与适用人群
2.1 教材的核心章节地图：从线性方程组到特征值
《Linear Algebra with Applications》第10版的主体结构，几乎就是线性代数标准课程的镜像。它从线性方程组开始，引入矩阵记号和高斯消元法，接着讲行列式、向量空间、线性变换、正交性、特征值与特征向量，最后延伸到奇异值分解和数值计算相关的话题。这个顺序看起来很顺，但你要意识到它有两条阅读线索：一条是“计算线”，教你如何解方程组、求逆、算特征值；另一条是“概念线”，告诉你这些计算背后的几何意义和代数结构。
如果只为了应付考试，盯着计算线就够了；但如果为了在工程里用，概念线更重要。比如“向量空间”这一章，看起来全是抽象定义，可当你做协同过滤推荐时，用户向量、物品向量所在的潜在空间就是一个向量空间，正交性对应着无关特征。第10版的编排好在每个概念后面都跟着一个“Applications”小节，像最小二乘曲线拟合、马尔可夫链、图像处理等，让你能马上看到抽象概念的应用去向。
2.2 同前版相比，第10版的重点变化与习题风格
我没有对照过前版逐页看差异，但第10版在内容上明显强化了“计算与可视化结合”的倾向。比如在特征值章节前后，会引入一些简单的数值计算示例，鼓励你用软件去观察矩阵迭代后的行为。习题风格也保留了经典题型：计算题、证明题、应用建模题三类都有。计算题比重大，但证明题是拉开差距的地方。
我的感受是：这本书的例题质量很高，尤其是每章末尾的“Practical Applications”部分，不是那种只给公式的“应用题”，而是真的给你一个场景，比如用勒让德多项式做数据拟合，或者用线性系统分析电路网络。这些例子不是拿来做做就完，而是你之后做项目时的“模板”。习题里带星号的通常有难度，建议至少做一半以上，否则你会在后半程遇到理解断层。
2.3 谁适合拿这本当主教材，谁更适合当参考书
如果你在校学生，下一学期正要用这本教材，那它就是主教材，跟着老师节奏走就行。如果是自学，我建议你把这本书当作“结构化参考书”，配一门视频课或在线公开课一起用。纯靠自己啃，你会发现概念能读懂，但做不出证明题，因为线性代数很多结论是“能想到但不会想到”的。
更适合当参考书的人：你已经学过一遍线性代数，但因为做机器学习或图形学需要重新捡起来；或者你是程序员，只需要用到矩阵、特征值、SVD这些工具，那你可以跳过大量证明，只看每章的“应用”和“算法”部分。但别完全跳过理论，至少要知道矩阵秩和零空间的关系，否则后面调包你会常常“黑匣子”状态。
3. 用教材+代码把抽象概念落地：Python/MATLAB复现关键定理
3.1 用NumPy验证线性方程组解的三种情况
读教材第2章线性方程组时，你会发现很多文字描述和分类，比如无解、唯一解、无穷多解。只看定义容易晕，我建议你直接跑几行代码，亲手看系数矩阵和增广矩阵的秩到底怎么变。下面用NumPy做一个最小验证。
import numpy as np # 情况1：唯一解，系数矩阵满秩 A1 = np.array([[2.0, 1.0], [1.0, -1.0]]) b1 = np.array([3.0, 0.0]) print("rank(A1):", np.linalg.matrix_rank(A1)) print("解:", np.linalg.solve(A1, b1)) # 情况2：无解，系数矩阵秩小于增广矩阵秩 A2 = np.array([[1.0, 2.0], [2.0, 4.0]]) b2 = np.array([1.0, 3.0]) aug2 = np.column_stack([A2, b2]) print("rank(A2):", np.linalg.matrix_rank(A2), "rank(增广):", np.linalg.matrix_rank(aug2)) # 情况3：无穷多解，两个秩相等但小于未知数个数 A3 = np.array([[1.0, 2.0], [2.0, 4.0]]) b3 = np.array([1.0, 2.0]) aug3 = np.column_stack([A3, b3]) print("rank(A3):", np.linalg.matrix_rank(A3), "rank(增广):", np.linalg.matrix_rank(aug3))这段代码用matrix_rank判断矩阵的秩，再分成三种情况。第一种系数矩阵满秩，solve能直接给唯一解；第二种增广矩阵的秩比系数矩阵秩大，说明方程组内部矛盾，无解；第三种两个秩相等，但都小于未知数个数，说明有自由变量，解有无穷多个。把这个跑完，教材里那几页分类你就再也不会混淆了。
参数上要注意：用np.linalg.solve前必须保证系数矩阵满秩，否则会抛异常。这里故意用2x2矩阵是为了让你一眼看出秩的含义。实际工程里矩阵大得多，你仍然先算秩再决定用哪种解法，不然数值稳定性会让你怀疑人生。
3.2 用特征值分解理解矩阵对角化与几何意义
教材讲到特征值章节时会反复说“矩阵本质上是一个变换”，但这句话很抽象。我们可以用一个小矩阵观察它在特征向量方向上的拉伸。下面这个例子把二维矩阵作用在一组点上，看它如何变形。
import numpy as np import matplotlib.pyplot as plt A = np.array([[2.0, 1.0], [0.0, 1.5]]) # 生成单位圆上的点 theta = np.linspace(0, 2 * np.pi, 200) points = np.column_stack([np.cos(theta), np.sin(theta)]) # 变换后的点 transformed = points @ A.T # 计算特征值和特征向量 eigvals, eigvecs = np.linalg.eig(A) print("特征值:", eigvals) print("特征向量:\n", eigvecs) # 画出原始圆和变换后的椭圆 plt.figure(figsize=(6, 6)) plt.plot(points[:, 0], points[:, 1], label='原图') plt.plot(transformed[:, 0], transformed[:, 1], label='变换后') plt.axis('equal') plt.legend() plt.show()这里用points @ A.T做线性变换，因为points是行向量组成的矩阵，矩阵乘法要放在右边并转置。特征值分解的结果会告诉你：矩阵沿一个方向拉伸2倍，沿另一个方向拉伸1.5倍，且这两个方向恰好是特征向量。当你看到单位圆变成椭圆，就能直观明白“对角化”就是把坐标轴旋转到特征向量方向，让变换变成纯伸缩。
实际用这本书时，我习惯把每个变换矩阵都画一下。不只是为了视觉刺激，而是为了建立“矩阵=几何动作”的直觉。特征值有正有负、有复数的情况，画出来更明显。这里np.linalg.eig返回的特征向量是按列排列的，所以画箭头时要取列，否则容易画反。
3.3 用最小二乘拟合把“应用”落到实处
“应用”这两个字，在最小二乘这一章体现得最充分。教材会推导正规方程 (A^T A x = A^T b)，但推导完你未必知道怎么用。下面用真实感的数据拟合一下，看线性代数怎么解决“数据点比参数多”的矛盾。
import numpy as np import matplotlib.pyplot as plt # 模拟10个带噪声的线性数据点 rng = np.random.default_rng(42) x = np.linspace(0, 10, 10) y = 2.5 * x + 1.0 + rng.normal(0, 1.5, size=x.size) # 构造设计矩阵：A = [x, 1] A = np.column_stack([x, np.ones_like(x)]) # 正规方程解最小二乘 coeffs = np.linalg.lstsq(A, y, rcond=None)[0] print("斜率:", coeffs[0], "截距:", coeffs[1]) # 评价拟合优度 residuals = y - A @ coeffs print("残差平方和:", np.sum(residuals**2))np.linalg.lstsq用的是奇异值分解，比直接解正规方程数值更稳，你不需要自己算A^T A。我刻意构造了10个点拟合2个参数，这是一个超定方程组，严格来说没有精确解，最小二乘给了“误差平方和最小”的近似解。代码里rcond=None表示采用默认的奇异值截断阈值，如果你在处理病态矩阵，可以调小这个值试试，但一般不用动。
这里要理解“设计矩阵”的构造：每一行是一个样本，第一列是 x，第二列是常数项 1。如果你拟合多项式，就把对应的幂次加上去。教材里讲的正规方程是理论核心，但实际调包时更常用 SVD，所以你不必死记硬背正规方程公式，却要知道它为什么成立。
4. 自学者的实操路线：把600页教材拆成12周可执行计划
4.1 阶段划分与每周目标
《Linear Algebra with Applications》第10版全文不是让你一口气读完的。我建议你按12周来拆，每周约10小时。前4周覆盖前3章：线性方程组、矩阵运算、行列式。中间4周覆盖向量空间、线性变换、正交性。最后4周覆盖特征值、特征向量、SVD和数值计算部分。
每周的最优路径是：先花2小时看本章教材正文和例题，再做3小时习题，再用1小时把关键计算的代码跑一遍，最后留1小时整理笔记。这个节奏比“每天刷一点”更能形成连续的理解，因为你线性代数的各个章节之间是层层递进的，中断超过两三天再回来，就得多花时间回顾。
如果某一周没跟上，别急着往后赶。线性代数的特点是一环扣一环，向量空间理解不透，特征值就不会有几何直觉。宁可把本周习题减量，也要保证概念上能用自己的话说明白。
4.2 练习题的选择策略：必做、选做、跳过
这本书的题量很大，全做根本不现实。我一般的策略是：每章的计算题挑中等偏上难度的做10到15道，证明题选3到5道，应用建模题必做2道。跳过的题型主要是那些重复性的纯计算题，比如“计算下列四阶行列式”连续来8道，你做完第2道已经会了，后面纯属于手酸。
对于证明题，我建议你至少要把结论抄下来，尝试自己写一行思路。实在不会就对照答案，但要盖上答案自己默写一遍。证明题不是考试才用，它逼你理解定义的边界，比如“零空间”“列空间”这些概念，光会算不行，你得知道为什么它们的维度等于秩。
书里的“Practical Applications”小节，我建议每章至少做一道。这些题通常是综合性的，会把前几章的知识和当前章节结合，比如用特征值分析动力系统稳定性。这比单独做计算题更能检验你是不是“真的会”。
4.3 用费曼技巧检验自己是否真懂
每学完一章，合上书，找一张A4纸，尽量用大白话把这一章的核心概念讲出来。比如“向量空间就是一组对加法和数乘封闭的向量集合”，然后写一个例子证明它封闭。如果写着写着卡住了，就回头翻书，这个卡住的地方就是你知识的漏洞。
我一般还会给自己出一个小问题：“如果公司里有一个相似度矩阵，我想做排序，你会用这一章的哪个概念？”这比背定义有用得多。遇到解释不清楚的地方，就把那一段代码写出来，让程序替你实现逻辑。当你能把“为什么有无穷多解”这种问题用自己的话讲给另一个程序员听时，这章才真正过了。
这种方法看起来简单，但大多数人学数学是“看着会了”而不是“讲着会了”。你可以在周末找朋友或同事，花10分钟给他们讲讲这周学到的内容。如果对方能听懂，说明你掌握得差不多；如果对方一脸茫然，大概率是你自己也一知半解。
5. 避坑指南：学这本书最常见的5个翻车现场
5.1 现象：用行列式判断可逆性时，数值上出现“差一点等于0”
原因：教科书里说“行列式等于0则矩阵不可逆”，但实际工程中矩阵尺寸大、数值有误差，行列式很少精确等于0。你自己用numpy.linalg.det算一个50阶的奇异矩阵，结果可能是1e-15之类的极小值。
解决：不要用绝对阈值判断可逆性，改用条件数或矩阵秩。条件数是np.linalg.cond(A)，秩是np.linalg.matrix_rank(A)。这与第10版末尾“数值线性代数”章节讲的概念一致，但很多人看书时不重视，一到实践就翻车。
5.2 现象：在特征值相关题里，特征向量方向和教材答案差一个负号
原因：特征向量本来就不是唯一的。如果 (v) 是特征向量，那么 (-v) 也是。教材答案只写了其中一个方向，你在笔记本上可能写另一个方向，一看答案以为自己算错了。
解决：验证时把特征向量代回 (A v = \lambda v)，只要两边成立就行，别纠结符号。用numpy.linalg.eig也会遇到这种情况，程序返回的特征向量可以是任意方向，所以做可视化画箭头前，最好把特征向量归一化，并把第一个元素调整为正值，这样你的图在多次运行之间保持一致。
5.3 现象：做最小二乘时，直接用正规方程 (A^T A x = A^T b)，结果数值精度很差
原因：(A^T A) 会放大条件数，尤其是当特征值跨度大时，平方操作让小的奇异值变成更小。你手算时感觉不到，但用浮点数算就出现明显误差。
解决：用 SVD 或lstsq而不是手写正规方程。这也是第10版后面介绍数值方法的原因。如果你是真的要深入数值，还要学习主元选择、规范化技巧，但在这本书的层次上用np.linalg.lstsq已经足够。
5.4 现象：把矩阵乘法的顺序搞反，导致变换作用方向错误
原因：对向量 (x) 做变换时，如果 (x) 是列向量，矩阵 (A) 要左乘：(Ax)。如果你把点坐标存成行向量，不管教材里怎么写的，代码里都得写points @ A.T。这是新手最容易“错得很有道理”的地方，因为你的数据结构决定了写法。
解决：固定一个习惯：默认向量是列向量，矩阵左乘。写代码时统一用列向量计算，或者统一用行向量加@ A.T。不要两种混用，我在自己项目里吃过一次亏，当时跑了半天发现一个方向反了，原因是数据集里向量存成了行。
5.5 现象：以为SVD只属于“高级章节”，结果读机器学习相关材料时看不懂
原因：第10版里SVD放在最后几章，很多学生学不到那就弃了，导致后来看PCA、推荐系统、图像压缩全是一脸懵。SVD其实是最重要的矩阵分解之一，教材前面章节的特征值分解只是方阵的特例。
解决：至少把SVD的概念读完，并且跑一遍numpy.linalg.svd，观察奇异值衰减。你不需要会手工求SVD，但必须知道 (A = U \Sigma V^T) 里每一块的形状和含义。这样当你以后看到“奇异值剪枝”就不会觉得是玄学。
6. 把知识变成技能：三个进阶验证项目与最后一英里技巧
6.1 用线性代数写一个图像压缩demo
SVD的一个经典应用是图像压缩。找一张灰度图，读入为矩阵，做SVD后只保留前k个奇异值，再重建图片。你可以直观看到当k从10到200时，图像从模糊到清晰的过程。这个项目能同时检验你对矩阵乘法、奇异值分解和重建的理解。
import numpy as np from sklearn.datasets import load_sample_image # 用sklearn自带图片，或者你自己读一张灰度图 image = load_sample_image('china.jpg') image = image.mean(axis=2) # 转灰度 U, s, Vt = np.linalg.svd(image, full_matrices=False) k = 50 U_k = U[:, :k] s_k = s[:k] Vt_k = Vt[:k, :] reconstruct = U_k @ np.diag(s_k) @ Vt_k print(reconstruct.shape)代码里full_matrices=False返回减小的SVD，这样可以少存很多零元素。np.diag(s_k)把奇异值向量转成对角矩阵。重建图像和原图之间的误差就是被丢弃的那部分信息，对应着矩阵中“低秩近似”的概念。如果你想算压缩比，就是原图大小除以存储 (U_k, s_k, V_k) 所需的大小。
这个项目做完后，你对“矩阵的秩”“低秩近似”会有直觉。以后在算法里看到“低秩假设”就不会畏难。
6.2 用PCA做数据降维的可视化
PCA本质上做了特征值分解或SVD，是线性代数的直接应用。用书本第10版里的知识，拿一个高维数据集降到2维，再可视化。你可以用scikit-learn的PCA，但为了验证理解，我建议你手动实现一遍：数据中心化，求协方差矩阵，再特征值分解，取前两个特征向量投影。
import numpy as np from sklearn.datasets import load_iris data = load_iris().data mean = data.mean(axis=0) centered = data - mean cov = np.cov(centered, rowvar=False) eigvals, eigvecs = np.linalg.eig(cov) # 取前两列特征向量做投影 proj = centered @ eigvecs[:, :2] print(proj.shape)这段代码帮你理解PCA的每一步是怎么来的。np.cov(centered, rowvar=False)表示每一列是一个特征，算出协方差矩阵。特征值越大，对应方向的方差越大，所以取前两个方向就能保留最多信息。画出来以后，三个类别在2维图上的分布，会让你直观理解特征值排序的意义。
6.3 我的个人习惯：每次学完一章就写一页“矩阵故事”
最后我想分享一个我自己用了多年的习惯：每学完一章，不要做思维导图，而是用一段话把这个数学对象拟人化。比如把矩阵当成“一个房东”，特征值就是“房租的涨缩倍数”，特征向量就是“房型”。这听起来有点不严肃，但当你把抽象的变换用故事固定下来，记忆会非常深刻。
我在学第10版时，最受益的不是某个公式，而是反复问自己“这个定理在实际问题中到底在算什么”。有一次做推荐系统项目，用户评分矩阵的SVD需要我选择保留多少个奇异值，我回想起书里那道图像压缩题，突然明白保留多少就是“在压缩率和保真度之间找平衡”。这个微观例子很小，但让我意识到线性代数不是纪念碑，而是工具箱。
如果你也在读这本书，我建议别执着于“全部证明都看明白，每个计算都手写”。更实际的做法是：概念用代码验证，证明题只挑关键几条，应用案例全部过一遍。遇到卡住的地方，先翻到后面看对应的应用场景，再回头理解定义。这样你学完以后，真正留下的是一套解决问题的能力，而不是一堆很快会忘掉的公式。希望帮到你。
本文还有配套的精品资源，点击获取
