什么是向量
我们在初等数学的时候，研究的都是一个数，而到线性代数，我们将从研究一个数拓展到研究一组数，而一组数的基本表示方法就是向量（Vector）。向量是线性代数研究的基本元素，它就是一组数，比如 \((1, 2, 3)\) 就是一个向量。那么问题来了，向量究竟有什么作用呢？或者说我们研究一组数有什么用呢？其实向量最基本的出发点就是表示方向，比如某个人从出发点走了 \(5\) 千米，那么你能判断最终这个人走到了哪个位置吗？显然是不能的，因为不知道方向。
因为真实的世界一定是多维度的，所以同时只研究一个数是不够的，那么此时向量便有了意义，我们举个例子。
如果用一个数来描述的话，那么就是这个人走了 \(5\) 千米。但如果用一组数来描述，以这人的初始位置为原点建立坐标系，那么就可以说这个人走到了坐标为 \((4, 3)\) 的位置，当然也可以是 \((3, 4)\) 等其它位置。可以看到，此时就可以精确定位某个人的位置了，如果这个人还可以在天上飞，那么就用三维坐标系。
所以使用向量最开始的目的就是为了体现方向的概念，比如向某个方向走了多少距离，因为只有距离没有方向是不够的。而在物理学中，位移、速度、加速度、力等等，都具有方向的概念，这是光有一个数所不足以描述的。
然后还需要注意，向量都是针对于原点来说的，比如一个人从 \((0, 0)\) 走到了 \((4, 3)\) 的位置，那么它和从 \((-1, -1)\) 走到了 \((3, 2)\) 的位置是一样的，都是在 \(X\) 轴方向上移动了 \(4\) 个单位，在 \(Y\) 轴上移动了 \(3\) 个单位。而在线性代数中，我们不关心起始点在什么位置，统一默认为原点。就像初中时学的数轴一样，说一个点的坐标是 \(6\)，那么一定是它相对于 \(0\) 的位置是 \(6\)。所以起始点在哪儿，对于向量的运算来说是无关紧要的，因为它的长度和方向是一样的，只是我们统一以原点作为起始点。
当然，如果只是描述物理世界中的方向，那么三个维度就完全足够了，因为真实世界只有三个维度。但大部分时候，我们要描述的问题却远不止三个维度，比如一个房子的购买率。一个房子是否会有人买，取决于很多因素。
面积是多大卧室多少个周围距离学校有多远周围距离医院有多远最近的地铁站有多远房子是否是大产权价格是多少
此时我们便可以使用一个 \(7\) 维向量来描述这个房子的特征，如果特征更多，那么就用更高维度的向量来描述，最终可以拓展到 \(n\) 维向量。而 \(n\) 维向量也可以看作是 \(n\) 维空间中的某一个点相对于原点的坐标，虽然我们无法想象维度大于 \(3\) 的空间是什么样子，但这不重要，直接类比三维或二维即可。所以向量就是一组数字，它的含义是由使用者来决定的。
向量的更多术语
目前我们已经了解了什么是向量，可以把它理解为一组数，或者空间中的一个点，下面再来补充一些关于向量的术语。
与向量相对应的是标量，标量是一个数，向量是一组数。那么问题来了，我要如何区分一个符号是标量还是向量呢？所以有一个约定，普通的符号依旧表示标量，而如果符号的上面出现了一个箭头，那么就表示向量。
- \({v}\) ：这是一个标量
- \(\vec{v}\) ：这是一个向量
然后我们说，在线性代数中不关心起始点的位置，统一默认为原点。但个别情况下（尤其是几何学），我们也会考虑向量的起始点，比如起点为 \(O\)，终点为 \(A\)，那么就用 $ \overrightarrow{OA} $ 来表示。这一点了解就好，我们这里不考虑起始点。
然后向量分为行向量和列向量，行向量就是将一组数排成一行，列向量就是把一组数排成一列。
- 行向量：\((1, 3, 5)\)
- 列向量：\(\begin{pmatrix} 1 \\ 3 \\ 5 \\ \end{pmatrix}\)
对于向量本身来说，行向量和列向量没啥区别，都是相同的一组数，我们是横着摆放还是竖着摆放都没啥区别。但当学到矩阵的时候，行向量和列向量就有区别了，至于具体区别等介绍矩阵的时候再说。另外对于学校的教材、论文来说，里面提到的向量，指的都是列向量。至于为什么更愿意用列向量来表示，我们还是等介绍矩阵的时候再说。
需要补充一点，由于书籍是横版印刷，所以虽然是列向量，但它依旧是按照一行显示的。因此为了避免误会，很多书籍会写成类似 \((1, 3, 5)^{T}\) 这种形式，也就是给行向量增加一个转置操作，来表示列向量。
使用 Python 实现向量
下面我们就来定义一个类，来实现向量。
class Vector:
"""
向量
"""
def __init__(self, values):
self._values = values
def __len__(self):
"""返回向量的维度（有多少个元素）"""
return len(self._values)
def __repr__(self):
return f"Vector({self._values})"
def __str__(self):
return f"{tuple(self._values)}"
def __getitem__(self, item):
"""基于索引获取向量的元素"""
return self._values[item]
此时我们的向量就实现好了，来测试一下。
from vector import Vector
vec = Vector([11, 22, 33])
print(vec) # (11, 22, 33)
print("%r" % vec) # Vector([11, 22, 33])
print(len(vec)) # 3
print(vec[0], vec[1], vec[2]) # 11 22 33
结果没有问题，当然随着后续的学习，我们会给 Vector 这个类添加更多的方法。
向量的两个基本运算
标量支持各种各样的数学运算，那么向量都支持哪些呢？首先加法运算，向量是支持的。并且在高中的时候我们就接触过向量的加法，当时书中会告诉你，两个向量相加，等于这两个向量组成的平行四边形的对角线。
但是为什么会有这个结论，很多人却不明白，下面我们就来解释一下。以 \((3, 4)^{T} + (4, 3)^{T}\) 为例，它相当于先以原点作为起始点，走到了 \((3, 4)\) 的位置；然后再以 \((3, 4)\) 为起点，走到了 \((4, 3)\) 的位置。
所以 \((a, b)^{T} + (c, d)^{T}\) 的结果就相当于 \((a + c, b + d)^{T}\)，两个向量相加等于每个分量分别相加。当然以上都是二维向量，至于 \(n\) 维向量也是同理。
\(\begin{pmatrix} v_{1} \\ v_{2} \\ v_{3} \\ ... \\ v_{n} \\ \end{pmatrix} + \begin{pmatrix} w_{1} \\ w_{2} \\ w_{3} \\ ... \\ w_{n} \\ \end{pmatrix} = \begin{pmatrix} v_{1} + w_{1} \\ v_{2} + w_{2} \\ v_{3} + w_{3} \\ ... \\ v_{n} + w_{n} \\ \end{pmatrix}\)
以上就是向量的加法，除了加法，向量还支持乘法。比如 \(3 * (4, 3)^{T}\)，那么它的结果是什么呢？相信这个很简单，答案就是 \((12, 9)^{T}\)，因为相当于 \(3\) 个 \((4, 3)^{T}\) 相加。同样的，我们可以将这个结论推广至 \(n\) 维向量：
\(k * \begin{pmatrix} v_{1} \\ v_{2} \\ v_{3} \\ ... \\ v_{n} \\ \end{pmatrix} = \begin{pmatrix} k * v_{1} \\ k * v_{2} \\ k * v_{3} \\ ... \\ k * v_{n} \\ \end{pmatrix}\)
所以向量的加法是两个向量相加，而向量的乘法是一个向量乘以一个标量，最终的结果都是向量。
从原理上介绍完向量的运算之后，我们再来编程实现一下。
class Vector:
"""
向量
"""
def __init__(self, values):
self._values = values
def __len__(self):
"""返回向量的维度（有多少个元素）"""
return len(self._values)
def __repr__(self):
return f"Vector({self._values})"
def __str__(self):
return f"{tuple(self._values)}"
def __getitem__(self, item):
"""基于索引获取向量的元素"""
return self._values[item]
def __add__(self, other):
if type(other) is not Vector:
raise TypeError("Vector 只能和 Vector 相加")
if len(self) != len(other):
raise TypeError("相加的两个 Vector 的维度必须相同")
return Vector(
[self[i] + other[i] for i in range(len(self))]
)
def __mul__(self, other):
if type(other) is not int:
raise TypeError("Vector 只能和一个整数相乘")
return Vector(
[self[i] * other for i in range(len(self))]
)
__rmul__ = __mul__
测试一下：
from vector import Vector
vec1 = Vector([1, 3, 5])
vec2 = Vector([2, 4, 6])
print(vec1 + vec2) # (3, 7, 11)
print(vec1 * 5) # (5, 15, 25)
print(5 * vec2) # (10, 20, 30)
结果没有问题。
向量运算的基本性质
回忆小时候学习的数的运算，我们要先知道数的运算的基本性质，然后才能进行复杂的运算，比如加法交换律、乘法交换律、加法结合律、乘法结合律等等。对于向量运算也是如此，那么向量运算的基本性质能有哪些呢？
- 加法交换律：\(\vec{u} + \vec{w} = \vec{w} + \vec{u}\)
- 加法结合律：\((\vec{u} + \vec{w}) + \vec{v} = \vec{u} + (\vec{w} + \vec{v})\)
- 乘法分配律：\(k * (\vec{u} + \vec{w}) = k * \vec{u} + k * \vec{w}\)，或者 \((k + c) * \vec{u} = k * \vec{u} + c * \vec{u}\)
- 乘法结合律：\((k * c) * \vec{u} = k * (c * \vec{u})\)，另外整数 \(1\) 乘以某个向量，还等于该向量本身
这些性质虽然比较简单，但它们都是可以通过严格的数学证明出来，比如 \(k * (\vec{u} + \vec{w}) = k * \vec{u} + k * \vec{w}\)。我们基于向量的两个基本运算来进行证明：
\(k * (\vec{u} + \vec{w}) = k * (\begin{pmatrix} u_{1} \\ u_{2} \\ u_{3} \\ ... \\ u_{n} \\ \end{pmatrix} + \begin{pmatrix} w_{1} \\ w_{2} \\ w_{3} \\ ... \\ w_{n} \\ \end{pmatrix}) = k * \begin{pmatrix}u_{1} + w_{1} \\ u_{2} + w_{2} \\ u_{3} + w_{3} \\ ... \\ u_{n} + w_{n} \\ \end{pmatrix} = \begin{pmatrix}k * u_{1} + k * u_{1} \\ k * u_{2} + k * u_{2} \\ k * u_{3} + k * w_{3} \\ ... \\ k * u_{n} + k * w_{n} \\ \end{pmatrix}\)
\(k * \vec{u} + k * \vec{w} = k * \begin{pmatrix} u_{1} \\ u_{2} \\ u_{3} \\ ... \\ u_{n} \\ \end{pmatrix} + k * \begin{pmatrix} w_{1} \\ w_{2} \\ w_{3} \\ ... \\ w_{n} \\ \end{pmatrix} = \begin{pmatrix}k * u_{1} \\ k * u_{2} \\ k * u_{3} \\ ... \\ k * u_{n} \\ \end{pmatrix} + \begin{pmatrix} k * w_{1} \\ k * w_{2} \\ k * w_{3} \\ ... \\ k * w_{n} \\ \end{pmatrix} = \begin{pmatrix}k * u_{1} + k * w_{1} \\ k * u_{2} + k * w_{2} \\ k * u_{3} + k * w_{3} \\ ... \\ k * u_{n} + k * w_{n} \\ \end{pmatrix}\)
以上我们就严格证明了这个性质是正确的，当然你也可以试着证明其它性质。
零向量
0 和任意一个数相加，结果都等于该数本身。那么是否也存在一个向量 \(\vec{O}\)，和任意一个向量 \(\vec{u}\) 相加之后，结果还等于 \(\vec{u}\) 呢？如果存在，那么 \(\vec{O}\) 我们就称之为零向量。
毫无疑问是存在的，根据向量的加法运算，我们可以得出 \(\vec{O}\) 是一个所有维度都为 \(0\) 的向量。需要说明的是，零向量的上方应该是没有箭头的，也就是 \(O\)。因为零向量的所有维度都是 \(0\)，它和原点是重合的，所以它仍然是一个点，而不是一个线段。我们称呼它为零向量，只是为了说法上的统一，但零向量是没有方向的概念的，它就是一个点，并且和坐标原点重合。
既然提到了零向量，那么我们就可以引出负向量。在标量中：\(u + -u = 0\)，那么在向量中也有：\(\vec{u} + \vec{-u} = 0\)。
\(\vec{u} + \vec{-u} = \begin{pmatrix} u_{1} \\ u_{2} \\ u_{3} \\ ... \\ u_{n} \\ \end{pmatrix} + \begin{pmatrix} -u_{1} \\ -u_{2} \\ -u_{3} \\ ... \\ -u_{n} \\ \end{pmatrix} = \begin{pmatrix} u_{1} + -u_{1} \\ u_{2} + -u_{2} \\ u_{3} + -u_{3} \\ ... \\ u_{n} + -u_{n} \\ \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \\ 0 \\ ... \\ 0 \\ \end{pmatrix}\)
证明也很简单。然后我们来实现一下零向量，我们希望用户通过 Vector 这个类能够快速构建出一个指定维度的零向量。
class Vector:
"""
向量
"""
def __init__(self, values):
self._values = values
def __len__(self):
"""返回向量的维度（有多少个元素）"""
return len(self._values)
def __repr__(self):
return f"Vector({self._values})"
def __str__(self):
return f"{tuple(self._values)}"
def __getitem__(self, item):
"""基于索引获取向量的元素"""
return self._values[item]
def __add__(self, other):
if type(other) is not Vector:
raise TypeError("Vector 只能和 Vector 相加")
if len(self) != len(other):
raise TypeError("相加的两个 Vector 的维度必须相同")
return Vector(
[self[i] + other[i] for i in range(len(self))]
)
def __mul__(self, other):
if type(other) is not int:
raise TypeError("Vector 只能和一个整数相乘")
return Vector(
[self[i] * other for i in range(len(self))]
)
__rmul__ = __mul__
@classmethod
def zero(cls, dim: int):
"""构建一个零向量"""
return cls([0] * dim)
def __neg__(self):
"""构建一个负向量"""
return Vector(
[-self[i] for i in range(len(self))]
)
def __eq__(self, other):
if type(other) is not Vector:
raise TypeError("Vector 只能和 Vector 进行比较")
if len(self) != len(other):
return False
return all([self[i] == other[i] for i in range(len(self))])
老规矩，我们还是测试一下。
from vector import Vector
vec = Vector([1, 3, 5])
zero = Vector.zero(3)
print(vec) # (1, 3, 5)
print(zero) # (0, 0, 0)
# vec 和 零向量相加还等于 vec 本身
print(vec + zero == vec) # True
# 创建负向量
print(-vec) # (-1, -3, -5)
# 正向量和对应的负向量相加，等于零向量
print(vec + -vec == zero) # True
结果没有问题，以上我们就通过编程实现了零向量。
标签：__,一切,Vector,self,线性代数,pmatrix,vec,向量 From： https://www.cnblogs.com/traditional/p/17657732.html