用NumPy实战验证正交矩阵与酉矩阵的5大核心性质

线性代数中那些抽象的定义和性质，总是让人感觉云里雾里。正交矩阵的列向量标准正交？酉矩阵的特征值模为1？这些概念听起来很美，但怎么才能直观地理解它们呢？今天我们就用Python的NumPy库，通过编写简短代码来亲手验证这些性质，把枯燥的数学定义变成可以运行、可以看到结果的实验。

1. 环境准备与基础概念

在开始之前，我们需要确保Python环境中安装了NumPy和Matplotlib这两个库。如果你使用Anaconda，它们应该已经预装了。如果没有，可以通过以下命令安装：

pip install numpy matplotlib

正交矩阵和酉矩阵是线性代数中非常重要的概念：

• 正交矩阵 ：实数域上的方阵，满足QᵀQ = QQᵀ = I（即Q的转置等于其逆矩阵）
• 酉矩阵 ：复数域上的推广，满足UᴴU = UUᴴ = I（ᴴ表示共轭转置）

我们先创建一个简单的正交矩阵作为示例：

import numpy as np

# 创建一个2x2的正交矩阵（旋转矩阵）
theta = np.pi/4  # 45度
Q = np.array([
    [np.cos(theta), -np.sin(theta)],
    [np.sin(theta), np.cos(theta)]
])

print("正交矩阵Q:\n", Q)

2. 验证正交矩阵的5个关键性质

2.1 性质一：转置等于逆矩阵

这是正交矩阵最根本的定义。我们可以用NumPy轻松验证：

# 计算转置
QT = Q.T

# 计算逆矩阵
Q_inv = np.linalg.inv(Q)

# 比较两者是否相等
print("转置矩阵:\n", QT)
print("逆矩阵:\n", Q_inv)
print("转置≈逆矩阵?", np.allclose(QT, Q_inv))

np.allclose 函数用于比较两个矩阵是否在允许的误差范围内相等，这是处理浮点数比较时的最佳实践。

2.2 性质二：列向量标准正交

正交矩阵的列向量不仅两两正交，而且都是单位向量。我们可以计算列向量的内积来验证：

# 获取列向量
col1 = Q[:, 0]
col2 = Q[:, 1]

# 计算内积
dot_product = np.dot(col1, col2)
norm_col1 = np.linalg.norm(col1)
norm_col2 = np.linalg.norm(col2)

print("列向量内积:", dot_product)  # 应该≈0
print("第一列向量的模:", norm_col1)  # 应该≈1
print("第二列向量的模:", norm_col2)  # 应该≈1

2.3 性质三：保持向量长度不变

正交变换的一个重要性质是保持向量长度不变。我们来验证一下：

v = np.array([3, 4])  # 任意向量
v_norm = np.linalg.norm(v)
Qv_norm = np.linalg.norm(Q @ v)

print("原始向量长度:", v_norm)
print("变换后向量长度:", Qv_norm)
print("长度是否保持不变?", np.isclose(v_norm, Qv_norm))

2.4 性质四：行列式值为±1

正交矩阵的行列式值只能是1或-1，这对应于旋转变换和镜像反射变换：

det_Q = np.linalg.det(Q)
print("矩阵行列式:", det_Q)
print("行列式是否为±1?", np.isclose(abs(det_Q), 1))

2.5 性质五：特征值模为1（复数域）

虽然正交矩阵的特征值可能是复数，但它们的模都为1：

eigenvalues = np.linalg.eigvals(Q)
magnitudes = np.abs(eigenvalues)

print("特征值:", eigenvalues)
print("特征值模:", magnitudes)
print("模是否为1?", np.allclose(magnitudes, 1))

3. 酉矩阵的验证与可视化

酉矩阵是正交矩阵在复数域上的推广，验证方法类似但需要考虑复数运算。我们先创建一个酉矩阵：

# 创建一个2x2的酉矩阵
U = np.array([
    [1j/np.sqrt(2), 1/np.sqrt(2)],
    [1/np.sqrt(2), 1j/np.sqrt(2)]
])

print("酉矩阵U:\n", U)

3.1 验证酉矩阵性质

# 验证UᴴU = I
UH = U.conj().T
identity = UH @ U

print("UᴴU:\n", identity)  # 应该≈单位矩阵
print("是否为酉矩阵?", np.allclose(identity, np.eye(2)))

3.2 特征值可视化

酉矩阵的特征值都位于复平面的单位圆上，我们可以绘制出来：

import matplotlib.pyplot as plt

# 计算特征值
eigenvalues = np.linalg.eigvals(U)

# 绘制单位圆
theta = np.linspace(0, 2*np.pi, 100)
plt.plot(np.cos(theta), np.sin(theta), 'b--', label='单位圆')

# 绘制特征值
plt.scatter(eigenvalues.real, eigenvalues.imag, c='r', label='特征值')

plt.axhline(0, color='k', linewidth=0.5)
plt.axvline(0, color='k', linewidth=0.5)
plt.xlabel('实部')
plt.ylabel('虚部')
plt.title('酉矩阵特征值分布')
plt.axis('equal')
plt.legend()
plt.grid(True)
plt.show()

4. 实际应用案例

4.1 QR分解中的正交矩阵

QR分解是正交矩阵的一个重要应用，它将矩阵分解为正交矩阵和上三角矩阵的乘积：

A = np.random.rand(3, 3)  # 随机矩阵
Q, R = np.linalg.qr(A)

# 验证Q是否正交
QTQ = Q.T @ Q
print("QᵀQ ≈ I?", np.allclose(QTQ, np.eye(3)))

4.2 酉矩阵在量子计算中的应用

在量子计算中，量子门操作就是用酉矩阵表示的。例如Hadamard门：

H = np.array([
    [1/np.sqrt(2), 1/np.sqrt(2)],
    [1/np.sqrt(2), -1/np.sqrt(2)]
])

# 验证是否为酉矩阵
print("HᴴH = I?", np.allclose(H.conj().T @ H, np.eye(2)))

5. 常见错误与调试技巧

在验证矩阵性质时，经常会遇到一些数值计算问题：

1. 浮点数精度问题 ：使用 np.allclose 而不是 == 进行比较
2. 复数运算遗漏 ：酉矩阵运算记得使用 .conj() 取共轭
3. 维度不匹配 ：确保矩阵乘法维度正确

# 错误示例：忘记取共轭
U = np.array([[1j, 1], [1, 1j]])
UH_wrong = U.T  # 错误！应该是U.conj().T
UH_correct = U.conj().T

print("错误的Uᴴ:\n", UH_wrong)
print("正确的Uᴴ:\n", UH_correct)

对于更复杂的矩阵，可以使用条件数来判断数值稳定性：

cond_number = np.linalg.cond(Q)
print("矩阵条件数:", cond_number)  # 正交矩阵条件数为1