在线矩阵计算器：从行列式到特征值，一站式线性代数
一款矩阵计算器，支持两个最高 6×6 的矩阵 A 与 B。可进行加法、减法与乘法；支持缩放、转置，并求解行列式、逆矩阵、行最简形（RREF）、秩、LU 分解及特征值/特征向量。可直接编辑单元格、填充随机值或单位阵、批量粘贴矩阵，并复制 A、B 或结果——全部在浏览器中私密计算。
矩阵计算器使用说明
算术、行列式、逆、RREF、秩、LU 与特征值
矩阵计算器对最高 6×6 的矩阵执行完整的线性代数运算：加减乘、数乘、转置、行列式、逆、RREF、秩、LU 分解与特征值/特征向量。所有运算在浏览器本地完成，输入即得结果。适合线性代数作业核对、工程快速验算与概念可视化。
01 输入矩阵
使用 rows 和 cols 输入设置 A 的维度（1×1 到 6×6）。点击 Random 用随机值填充 A（便于快速测试），或点击 Identity 将 A 设为单位矩阵。直接在单元格中输入值。对于需要两个矩阵的运算（A + B、A − B、A × B），矩阵 B 会出现，带有自己的规模控件、Random 和 Identity 按钮。
从按钮栏中选择一个运算。需要 B 的运算会显示矩阵 B；Scale 运算会显示一个标量字段。按 Compute 运行所选运算。结果以文本显示——可以是矩阵、标量（对于 det/rank），或带特征向量的特征值。
批量输入框支持每行一个矩阵行，数值用逗号或空格分隔，方括号可选。例如输入 "1, 2, 3" 换行 "4, 5, 6" 即得 2×3 矩阵。Copy 按钮把矩阵导出为同样格式的文本，方便粘贴到作业或代码中。
所有计算在浏览器本地完成，矩阵数据从未离开你的设备。断网后只要页面已加载，工具仍然可用。
- 加法、减法、数乘和转置的矩阵可以是矩形（非方阵）
- 行列式、逆和特征值要求方阵
- 乘法 A × B 要求 A 的列数等于 B 的行数
- 奇异矩阵没有逆且行列式为零
- 所有计算在浏览器本地完成，不上传数据
02 矩阵：从数表到线性变换
矩阵最初只是"数的矩形阵列"，用来简洁地表示线性方程组。19 世纪凯莱与西尔维斯特把它提升为独立研究对象，发现矩阵可以看作"线性变换"的化身——它把向量旋转、拉伸、投影。这种"变换"视角是现代线性代数的灵魂，也是计算机图形学、量子力学、机器学习的共同语言。
2×2 矩阵 [[a, b], [c, d]] 把平面上的向量 (x, y) 变成 (ax + by, cx + dy)。单位矩阵 [[1, 0], [0, 1]] 保持向量不变；对角矩阵 [[2, 0], [0, 0.5]] 把 x 方向拉伸 2 倍、y 方向压缩一半；旋转矩阵 [[cos θ, −sin θ], [sin θ, cos θ]] 把向量绕原点旋转 θ 角。理解矩阵=变换，比死记公式重要得多。
矩阵乘法对应"变换的复合"。先旋转再拉伸，与先拉伸再旋转，结果通常不同——这就是矩阵乘法不满足交换律的几何原因。行列式 det(A) 是变换对面积的缩放因子：为 0 表示把平面压成一条线，为负表示镜像翻转。
03 特征值与特征向量
对矩阵 A，若存在非零向量 v 与数 λ 使 Av = λv，则 v 是特征向量，λ 是特征值。几何上，特征向量是变换中"只被拉伸、不被旋转"的方向；特征值是拉伸倍数。它们揭示了矩阵的深层结构。
主成分分析（PCA）找的是数据协方差矩阵的特征向量，用于降维；谷歌 PageRank 算的是网页链接矩阵的最大特征值；振动分析用特征值求结构的固有频率。量子力学中，可观测量对应厄米矩阵，测量值是其特征值。特征值分解是理解线性系统"长期行为"的最强工具。
本工具用 Jacobi 旋转法计算特征值，仅对对称矩阵精确。对非对称矩阵，算法会自动取对称部分 (A + Aᵀ)/2 再计算，结果是一种近似。非对称矩阵的特征值可能是复数，且对扰动敏感，需要 QR 算法等更高级方法。
矩阵 A
- rows / cols设置矩阵 A 的维度（1–6）。
- Random用随机值填充 A。
- Identity将 A 设为单位矩阵（仅限方阵）。
- cells矩阵 A 的可编辑条目。
- text box (A)粘贴或输入整个矩阵，每行一行，数值以逗号或空格分隔；方括号可选。
- Apply (A)解析文本框并一次性调整大小、填充矩阵 A。
- Copy (A)将矩阵 A 复制为带方括号的多行文本，可粘贴到电子表格或其他工具。
矩阵 B（二元运算）
- rows / cols设置矩阵 B 的维度。
- Random用随机值填充 B。
- Identity将 B 设为单位矩阵。
- cells矩阵 B 的可编辑条目。
- text box (B)粘贴或输入矩阵 B，每行一行（逗号或空格分隔；方括号可选）。
- Apply (B)解析文本框并一次性调整大小、填充矩阵 B。
- Copy (B)将矩阵 B 复制为带方括号的多行文本。
运算按钮
- A + B逐元素加法（要求规模匹配）。
- A − B逐元素减法（要求规模匹配）。
- A × B矩阵乘法（A 的列 = B 的行）。
- Scale A将 A 的每个元素乘以该标量。
- Transpose A交换 A 的行和列。
- det(A)方阵 A 的行列式。
- A⁻¹方阵、非奇异 A 的逆。
- RREF(A)A 的约化行阶梯形。
- rank(A)秩（独立行的数量）。
- LU(A)LU 分解为下/上因子。
- Eigen(A)方阵 A 的特征值和特征向量。
运行
- scale factorScale A 运算使用的标量值。
- Compute运行所选运算并显示结果。
- Copy (result)将完整结果文本（矩阵、行列式、LU 分解或特征值）复制到剪贴板。
- 使用 Identity 和 Random 快速设置教科书示例。
- 如果逆或特征值失败，请检查矩阵是否为方阵，以及（对于逆）是否非奇异。
- RREF 既可用于求解方程组，也可用于检查线性无关性。
- 特征值可能是复数；输出会按计算结果显示。
- 行列式为 0 表示矩阵把空间"压扁"，不可逆。
- LU 分解适合反复解同一个 A、不同 b 的方程组。
- 病态矩阵的逆与行列式可能因浮点误差失真。
- 所有计算在本地完成，断网后页面已加载仍可使用。
免费的在线矩阵计算工具，支持最高 6×6 矩阵的加、减、乘、数乘、转置、行列式、逆、RREF、秩、LU 分解与对称特征值。所有运算在浏览器本地完成，输入即得结果。适合线性代数作业核对、工程快速验算与概念可视化。
这个工具能做什么
把矩阵当成一个"数字方块"，对它做各种运算：两个矩阵相加相乘、求行列式、求逆、化成行最简形、分解成 LU、找出特征值与特征向量。所有操作一步到位，结果显示在下方，可以复制到作业或报告里。
矩阵是什么？从"数表"到"线性变换"
矩阵最初只是"数的矩形阵列"，用来简洁地表示线性方程组。19 世纪凯莱与西尔维斯特把它提升为独立研究对象，发现矩阵可以看作"线性变换"的化身——它把向量旋转、拉伸、投影。这种"变换"视角是现代线性代数的灵魂，也是计算机图形学、量子力学、机器学习的共同语言。
行列式的几何意义：体积的缩放因子
2×2 矩阵的行列式是平面上单位正方形被变换后的面积（带符号）；3×3 则是单位立方体被变换后的体积。行列式为 0 表示变换把空间"压扁"了，矩阵不可逆；行列式为负表示变换改变了朝向（镜像）。这个几何直觉比代数定义更能帮你理解"为什么 det(AB) = det(A)·det(B)"——两次变换的体积缩放自然是相乘的。
逆矩阵：如何"撤销"一个线性变换
如果矩阵 A 把向量 x 变成 y，那么逆矩阵 A⁻¹ 就把 y 变回 x。存在逆矩阵的前提是 A 可逆（行列式非零），即变换没有把任何方向压成零。求逆的本质是解 n 个线性方程组，因此高斯消元是核心算法。实际工程中很少显式求逆——解 Ax=b 用 LU 分解更快更稳——但理解逆的概念是理解可逆性的钥匙。
特征值与特征向量：变换的"主轴"
对矩阵 A，若存在非零向量 v 与数 λ 使 Av = λv，则 v 是特征向量，λ 是特征值。几何上，特征向量是变换中"只被拉伸、不被旋转"的方向；特征值是拉伸倍数。它们揭示了矩阵的深层结构：主成分分析（PCA）找的是数据协方差矩阵的特征向量，谷歌 PageRank 算的是网页链接矩阵的最大特征值。
LU 分解：把矩阵拆成"下三角 × 上三角"
LU 分解把 A 写成 L·U，其中 L 是单位下三角，U 是上三角。它本质上是高斯消元的"矩阵化"记录：消元过程产生的乘数填进 L，消元后的阶梯形就是 U。有了 LU，解 Ax=b 只需两次回代，复杂度从 O(n³) 降到 O(n²)。这是数值线性代数中最常用的分解之一。
RREF：矩阵的"标准身份证"
行最简形（RREF）是矩阵经过高斯-若尔当消元后的唯一形态。每个矩阵的 RREF 都是唯一的，就像它的"身份证"。从 RREF 可以读出秩（非零行数）、零空间基、列空间的基，还能判断向量组是否线性无关。本工具用部分主元高斯消元计算 RREF，保证数值稳定。
表达式语法
直接在单元格中输入数字，支持小数、分数（如 1/3）与科学计数法（如 2.5e-4）。Random 按钮生成 −10 到 10 的随机整数矩阵，Identity 生成单位矩阵。批量输入框支持每行一个矩阵行，数值用逗号或空格分隔，方括号可选。
如何使用：三步上手
求行列式：设 A 为 3×3，填 [[1,2,3],[0,1,4],[5,6,0]]，点 det(A)，得 1。求逆：同一矩阵点 A⁻¹，验证 A·A⁻¹ = I。求特征值：填对称矩阵 [[2,1],[1,2]]，点 Eigen(A)，得 λ=3 与 λ=1，特征向量 (1,1) 与 (1,−1)。
现实中的应用
计算机图形学用 4×4 齐次矩阵做旋转、平移、投影；机器学习用矩阵乘法做神经网络的前向传播；结构力学用刚度矩阵描述梁的受力；经济学用列昂惕夫矩阵分析产业关联。量子力学中，可观测量对应厄米矩阵，测量值是其特征值。矩阵是现代科技世界的通用语言。
局限性
本工具限制在 6×6 是为了界面清晰与教学聚焦。特征值计算采用 Jacobi 旋转，仅对对称矩阵精确；非对称矩阵会给出对称部分 (A+Aᵀ)/2 的近似值。病态矩阵（条件数大）的逆与行列式可能因浮点误差失真。大规模稀疏矩阵请使用 MATLAB、NumPy 或专业有限元软件。
常见问题
Q最大支持多大的矩阵？
A 和 B 均为最高 6×6。这个规模足以覆盖本科线性代数课程的所有例题与习题，同时保持界面不拥挤。需要更大矩阵时，请使用 MATLAB、Octave 或 Python NumPy。
Q支持哪些运算？
单矩阵：转置、行列式、逆、RREF、秩、LU 分解、特征值/特征向量。双矩阵：加法、减法、乘法。外加数乘。共 11 种运算，覆盖本科线性代数核心内容。
Q行列式为 0 意味着什么？
几何上，矩阵把空间"压扁"了——某个方向被映射到零，体积缩放因子为零。代数上，矩阵不可逆，Ax=b 要么无解要么无穷多解。物理上，系统存在"零能模式"或约束不足。检查行列式是判断矩阵可逆性的第一步。
Q为什么我的矩阵求逆失败？
两种可能：1) 行列式为 0，矩阵奇异，数学上不可逆；2) 行列式接近 0，矩阵病态，浮点消元无法稳定求解。可以先用 det(A) 检查，或换用 RREF 观察秩。实际工程中，解 Ax=b 通常用 LU 分解而非显式求逆。
Q特征值是怎么算的？为什么非对称矩阵可能不准？
本工具用 Jacobi 旋转法，它只适用于对称矩阵。对非对称矩阵，算法会自动取对称部分 (A+Aᵀ)/2 再计算，结果是一种近似而非精确谱。非对称矩阵的特征值可能是复数，且对扰动敏感，需要 QR 算法等更高级方法。
Q什么是 LU 分解？为什么要用它？
LU 把 A 拆成下三角 L 与上三角 U 的乘积。有了 LU，解 Ax=b 变成解 Ly=b 再解 Ux=y，两次回代只需 O(n²) 时间。而重新做高斯消元要 O(n³)。当需要反复解同一个 A、不同 b 的方程组时（如结构分析中的多载荷工况），LU 的效率优势巨大。
QRREF 和秩有什么关系？
RREF 的非零行数就是矩阵的秩。秩告诉你矩阵的"有效信息量"：多少行是线性无关的。秩也等于列空间的维数，等于行空间的维数。通过 RREF 求秩，比数主元更直观，因为主元位置已经一目了然。
Q矩阵乘法为什么要求 A 的列数等于 B 的行数？
因为矩阵乘法的定义是 (AB)ᵢⱼ = Σₖ AᵢₖBₖⱼ，即 A 的第 i 行与 B 的第 j 列做内积。这要求 A 的每行长度（列数）等于 B 的每列长度（行数）。不满足这个条件，内积无法计算，乘法无意义。这是矩阵乘法与逐元素乘法（Hadamard 积）的本质区别。
Q特征值和特征向量有什么用？
它们揭示矩阵的"主轴"方向。PCA 用特征向量做数据降维；振动分析用特征值求固有频率；PageRank 用最大特征值给网页排序；量子力学用特征值表示可测量值。一句话：特征值分解是理解线性系统"长期行为"的最强工具。
Q矩阵会被上传到服务器吗？
不会。所有加减乘除、消元、迭代都在浏览器本地完成，矩阵数据从未离开你的设备。你可以断网使用，也可以放心输入敏感数据。