第7章 聚合与线性代数
文档摘要
第7章 · 聚合与线性代数 本章要回答的两个问题：sum、mean、max 沿哪个轴压缩、结果形状怎么推？矩阵乘法与 linalg 套件（解方程、逆、特征值、SVD）怎么用，什么时候该换 SciPy 或专用库？ 为什么会有这一章 聚合是"从数据到结论"的关键一步，而 axis 参数是初学者的集体噩梦——axis=0 到底是按行还是按列？答案其实可以机械推出：axis 指的是"被消掉的维度"。线性代数则是 NumPy 与科学计算的接口地带：矩阵乘法 @ 是深度学习的基础操作，linalg 提供解方程与分解，但规模上去之后就该考虑 BLAS 后端或换库。本章把两块内容各用一节讲透，并延续内存视角（聚合的访问方向、矩阵乘的缓存分块）。
第7章 · 聚合与线性代数
本章要回答的两个问题：sum、mean、max 沿哪个轴压缩、结果形状怎么推？矩阵乘法与 linalg 套件（解方程、逆、特征值、SVD）怎么用，什么时候该换 SciPy 或专用库？
为什么会有这一章
聚合是"从数据到结论"的关键一步，而 axis 参数是初学者的集体噩梦——axis=0 到底是按行还是按列？答案其实可以机械推出：axis 指的是"被消掉的维度"。线性代数则是 NumPy 与科学计算的接口地带：矩阵乘法 @ 是深度学习的基础操作，linalg 提供解方程与分解，但规模上去之后就该考虑 BLAS 后端或换库。本章把两块内容各用一节讲透，并延续内存视角（聚合的访问方向、矩阵乘的缓存分块）。
读完能解决什么
- 能机械推算任意聚合的结果形状，彻底告别 axis 猜谜
- 掌握 keepdims 与 np.min/np.argmin 家族的组合用法
- 能用 solve、inv、eig、svd 解决小规模线代问题，并知道各自边界
- 理解 @ 的缓存分块思想与"为什么矩阵乘不害怕非连续"
各节怎么分工
| 节 | 回答哪个问题 | 关键产出 |
|---|---|---|
| 7.1 axis聚合的降维之路 | axis 怎么理解 | 形状推算法 + keepdims 演练 |
| 7.2 linalg矩阵运算与求解 | 线代工具箱 | solve 与 inv 对比 + SVD 降噪案例 |
本章知识点清单
- 能说出 axis 的机械规则——指定的是被消掉的维度，并能推算任意聚合的结果形状
- 能对三维数组分别沿三个轴做 sum，并验证形状推算法
- 能用 keepdims 保留长度一的轴，衔接第 6 章广播完成行标准化
- 能区分 argmax 家族（给位置）与 max（给数值），并用花式索引取回元素
- 能说出 nan 前缀家族的价值，比先清洗后计算少一次拷贝
- 能区分逐元素乘与矩阵乘的形状规则，并用 @ 完成矩阵乘向量与点积
- 能解释 solve 优于 inv 的两点原因，能用 det 与 cond 做可逆性与数值诊断
- 能跑通 eig 验证式与 SVD 低秩重建，并完成最小二乘拟合案例
- 能说出规模边界：稠密千阶内用 linalg，稀疏换 SciPy，更大吞吐换张量框架
开读前三个疑问
问：axis 到底是行还是列？
答：都不是。axis 是"被消掉的维度编号"，结果形状等于原形状删掉那一项。忘掉行列直觉、改用形状推算，axis 从此不再神秘——7.1 节整节就在建立这个习惯。
问：线性代数早忘了，能学 7.2 吗？
答：能。本节只需要接受几个名词：矩阵是二维表、方程组是一组联立等式、特征值描述矩阵的"固有方向"。每个函数都配了可跑的最小例子，跑一遍比看十页教材直观。
问：什么时候不该用 np.linalg？
答：矩阵一大半是零（稀疏）、规模上万（性能瓶颈）、或者需要 GPU 加速时。识别出这些边界并及时换工具，本身就是工程能力。
先决条件
- 第 2 章的访问方向与缓存（解释聚合快慢）
- 第 6 章的广播与 keepdims（聚合结果的后续处理）
- 7.2 需要基础线性代数词汇：矩阵、方程组、特征值（不懂概念不影响跟跑代码）
往下走到哪
聚合与线代是分析工具箱的最后两件。第 8 章收束全册：数组的搬运（合并分割、文件读写）与性能实战清单。本章两个案例（成绩单汇总与最小二乘拟合）都建议完整敲一遍——它们分别代表"统计报表"与"参数估计"两大应用方向的雏形。