Axler 故意把行列式放到整本书的最后。前面 8 章用算子-特征值视角把线性代数讲通后，行列式终于可以不靠"公式"而靠"几何"登场——它就是 $n$ 个向量张成的平行多面体的有符号 $n$ 维体积。Jacobian 换元公式、定向、有向面积、体积变换率——所有"变了多少"的问题都由它回答。
| 符号 | 念作 | 含义 | 类型 |
|---|---|---|---|
| $A$ / $T$ | A / T | $n \times n$ 方阵 / 线性算子 | 方阵 |
| $\det A$ | determinant of A | $A$ 的 行列式：列向量张成的平行 $n$-体的有符号 $n$ 维体积 | $\mathbf{F}$ 中的数 |
| $|\det A|$ | det 的绝对值 | 体积缩放倍数：$A$ 把单位立方体体积放大 $|\det A|$ 倍 | $\geq 0$ 实数 |
| $\operatorname{sign}(\det A)$ | det 的符号 | $+1$：$A$ 保持定向；$-1$：反转定向；$0$：塌成低维 | $\{+1, 0, -1\}$ |
| $a \times b$ | 叉乘（2D 退化） | $a_1 b_2 - a_2 b_1$（2D）——有符号面积的标量版本 | $\mathbf{R}$ 中的数 |
| $A^\top$ | A 转置 | $\det A^\top = \det A$（行列式对行/列对称） | 矩阵 |
| $\det(AB)$ | 乘积的行列式 | $= \det A \cdot \det B$（乘性定理，Q9） | $\mathbf{F}$ 中的数 |
| $\epsilon_{i_1 \cdots i_n}$ | epsilon（置换符号） | 偶置换为 $+1$，奇置换为 $-1$，其他 $0$——出现在行列式的展开公式 | $\{+1, 0, -1\}$ |
| $\det(A - \lambda I)$ | 特征多项式 | 根是特征值；系数携带 trace、det 等信息 | $\lambda$ 的多项式 |
| $\mathrm{Vol}(U)$ | U 的体积 | 平行多面体的 $n$ 维体积（= 基边向量行列式的绝对值） | $\geq 0$ 实数 |
| $J_f$ | Jacobian 矩阵 | 光滑映射 $f: \mathbf{R}^n \to \mathbf{R}^n$ 的偏导数矩阵 $(\partial f_i / \partial x_j)$ | 矩阵 |
| $|\det J_f|$ | Jacobian 行列式 | 换元积分公式里体积元的局部缩放因子 $dy = |\det J_f| \, dx$ | $\geq 0$ 函数 |
抛开任何求和公式，最核心的定义只有一句：
视觉例子（2×2）：
正好等于公式 $ad - bc$。但这个公式只是一个计算工具——几何含义（有符号面积）才是行列式的灵魂。
下一问先聊 Axler 为什么把行列式放在全书最后，这是理解这个概念"该怎么想"的关键。
大多数线性代数教材第 1 章就教行列式的求和公式 $\det A = \sum_\sigma \operatorname{sign}(\sigma) \prod a_{i, \sigma(i)}$，然后依赖它定义特征值、证明可逆性……
Axler 反过来做：前 8 章完全避开行列式，用算子-特征值视角建立所有核心结构（存在性 5.19、谱定理 7B、可对角化 5D、Jordan 8）。到第 9 章才引入行列式——这时候学生已经通过算子理解了线性代数，行列式可以当成一个"衍生结果"而不是"基础公理"。
Axler 自己的原话（序言）：
这样做的好处：
所以读到 Ch 9 时，行列式不再是"一个没人解释为什么要用的求和公式"，而是"有符号体积的代数化"，自然而然。
设 $A = \begin{pmatrix}a & b \\ c & d\end{pmatrix}$，两列是 $v_1 = (a, c)^\top$ 和 $v_2 = (b, d)^\top$。
初等几何推导：$v_1, v_2$ 张成的平行四边形面积 $= \|v_1\| \cdot \|v_2\| \cdot |\sin\theta|$，其中 $\theta$ 是两向量夹角。
用叉乘的标量形式：$v_1 \times v_2 = a d - c b$，它的绝对值正好等于 $\|v_1\| \cdot \|v_2\| \cdot |\sin\theta|$。
有符号：
另一个视角（算子的作用）：$A$ 把单位正方形 $[0,1]^2$ 映成以 $v_1, v_2$ 为邻边的平行四边形。新图形的面积 $= |\det A| \times$ 原面积 $(= 1)$。所以
下一节亲手拖滑杆看这个。
滑杆改 $A$。画布里：
试试："对角 $(2, 3)$" 预设 det = 6——平行四边形是 $2 \times 3$ 的矩形。"剪切" det = 1——形状变了但面积不变（剪切保面积！）。"反射"和"任意 det < 0"你会看到颜色变红——定向被翻转了。拖到"退化"你会看到图形塌成一条线段——面积归零。
$\det$ 的符号记录的是"$A$ 有没有翻转空间的定向"。这是个比面积/体积更深刻的几何性质。
2D 的定向：
3D 的定向（更典型的"定向即物理"案例）：
现实意义：DNA 双螺旋有固定的"手性"（chirality），左手对映异构体和右手对映异构体是不同分子；胺基酸都是 L-型（左手）。一个纯旋转$\det = +1$ 不能把一个手性分子翻成另一个；必须有反射（$\det = -1$）才能。
$\det = 0$ 的几何：向量共线/共面，平行多面体塌成更低维——没有定向，因为"没空间可以定向"。这等价于 $A$ 不可逆（Q10）。
设 $A \in \mathbf{R}^{3 \times 3}$，三列是 $v_1, v_2, v_3$。$\det A$ 等于这三个向量张成的平行六面体（parallelepiped）的有符号体积。
公式（用混合积）：
展开来是：
这 6 项对应 3 个 +1 置换 $(123), (231), (312)$ 和 3 个 -1 置换 $(132), (213), (321)$——Q8 会讲。
有符号体积：
单位立方体被 $A$ 放大的倍数：
3×3 矩阵 $A$ 把单位立方体 $[0,1]^3$ 映成平行六面体。三根边是 $A$ 的三列。读数显示实时 $\det A$（体积 $\times$ 定向符号）。
Space 暂停相机 · R 复位
试"剪切"——平行六面体歪斜但体积 $= 1$（底面积和高都没变）。试"共面"——立方体塌成一个 2D 平面，体积 $= 0$，矩阵不可逆。试"x 反射"——体积 1 但内外翻面（无法通过纯旋转把左手戳变右手）。
Axler 9B 给出的抽象定义——不从公式、从性质出发：
最关键的定理：
这个函数就是行列式：
从这个定义推出所有性质：
和"有符号体积"是同一件事：体积本来就是 $n$-线性（沿任一边拉长 2 倍体积翻倍）+ 交替（两边重合则坍缩成零）+ 标准化（单位立方体体积 1）。这三条在 $n$-线性空间里唯一确定一个函数——不管从代数路径还是几何路径，结果必然一致。
最重要的代数性质。几何证明 一句话完事：
一堆直接后果：
这条是最常被引用、但在 Axler 里其实是定理而非定义的性质。
几何上的理由：$A$ 可逆 $\iff$ $A$ 把基映到基（不损失维度）$\iff$ 平行多面体不塌成低维 $\iff$ 体积 $\neq 0 \iff \det A \neq 0$。
反过来的故事：$\det A = 0$ 时的直觉：
六个说法在有限维下全部等价。
"特征多项式 $p(\lambda) = \det(\lambda I - T)$ 的根是特征值"也由此来：$\lambda$ 是特征值 $\iff T - \lambda I$ 不可逆 $\iff \det(T - \lambda I) = 0$ $\iff \det(\lambda I - T) = 0$（差一个符号）。这就把 5A 的"用 $T - \lambda I$ 不可逆找特征值" 和行列式法连起来了。
证明（代入 $\lambda = 0$）：$p(0) = \det(0 \cdot I - A) = \det(-A) = (-1)^n \det A$。另一方面 $p(0) = \prod (0 - \lambda_i) = (-1)^n \prod \lambda_i$。两式相等给出 $\det A = \prod \lambda_i$。∎
迹是一阶系数：展开 $p(\lambda) = \lambda^n - (\operatorname{tr} A) \lambda^{n-1} + \cdots + (-1)^n \det A$，同时 $\prod(\lambda - \lambda_i) = \lambda^n - (\sum \lambda_i)\lambda^{n-1} + \cdots$。比较 $\lambda^{n-1}$ 系数即得。
推论：
行列式最深刻的"非线性推广"：光滑映射 $f: \mathbf{R}^n \to \mathbf{R}^n$ 虽然不是线性的，但在每一点附近它"看起来像"线性的——局部线性化就是 Jacobian 矩阵：
$f$ 在 $x$ 附近把无穷小体元 $dx$ 映成 $dy = J_f(x) \cdot dx$（近似）。所以无穷小体积缩放因子 $= |\det J_f(x)|$。
经典例子：极坐标 $f(r, \theta) = (r\cos\theta, r\sin\theta)$。
所以 $dx\,dy = r\,dr\,d\theta$——大家都熟的"极坐标面元"。之所以要乘 $r$，因为离原点越远，同样的 $(dr, d\theta)$ 角度扇形面积越大，$J_f$ 的行列式精确量化这件事。
球坐标、圆柱坐标、椭圆坐标——所有换元公式里的"那个神秘因子"都是 Jacobian 行列式。
游戏引擎、CAD、CG 渲染里，每个三角面片都有"正面"和"反面"。GPU 只渲染"朝向摄像机的正面"以省算力（back-face culling）。
怎么判断一个三角形 $(v_1, v_2, v_3)$ 的朝向？—— 算 $\det[v_2 - v_1, v_3 - v_1, n]$ 的符号，$n$ 是摄像机方向。$+$ = 正面、$-$ = 反面。整个游戏每秒要判几百万次——纯行列式计算。
同样的技巧：网格布尔运算（两个实体求交/并/差）、碰撞检测（"点在多面体内？"）、凸包算法——全都靠行列式判定位关系。
物理、工程里不断遇到 "积分一个函数在曲面/曲体上"：
投资者的链接：期权定价里 Black-Scholes 方程从 $(S, t)$ 变到 $(x, \tau)$ 做变量替换时，用的就是 Jacobian 行列式（把 PDE 化成热方程）。任何"多维随机模型换变量" 操作底下都是行列式。
Ch 9 剩余内容（对一般学生不算核心）：
Ch 10 多线性代数是 Axler 的高阶延伸——张量、外代数、Hodge 对偶。对物理、微分几何、某些 ML 领域（等变神经网络、Geometric Deep Learning）是进阶基础。
如果你的目标是"看懂数据科学/ML 论文的线代"：Ch 1-7 + Ch 9 已经够用。Ch 8（Jordan）是"完美主义"章节——实际用不多，但理解"非对角化"的完整面貌需要它。
下一层能力（不在 Axler 里）：数值线性代数（Trefethen & Bau）、矩阵分析（Horn & Johnson）、随机矩阵理论（Tao）——分别对应工程实现、高级理论、大数据渐近行为。
每题先独立想 3 分钟。难度：★ 概念 · ★★ 证明 · ★★★ 综合。
对下列矩阵一眼说出 $\det$：
(a) $\begin{pmatrix}2 & 0 & 0 \\ 0 & 3 & 0 \\ 0 & 0 & 5\end{pmatrix}$ (b) $\begin{pmatrix}1 & 2 & 3 \\ 0 & 1 & 4 \\ 0 & 0 & 1\end{pmatrix}$ (c) $\begin{pmatrix}1 & 2 \\ 2 & 4\end{pmatrix}$ (d) 任意 3×3 旋转矩阵
对角 = 对角元积；三角 = 对角元积；秩亏 = 0；正交 $\det = \pm 1$。
(a) $\det = 2 \cdot 3 \cdot 5 = 30$
(b) 上三角，$\det = 1 \cdot 1 \cdot 1 = 1$
(c) 第二列 $= 2 \times$ 第一列，秩 1，$\det = 0$
(d) 3D 旋转保距离保定向，$\det = +1$
向量 $v_1 = (3, 1)$ 和 $v_2 = (1, 4)$ 张成的平行四边形面积是多少？是正定向还是反定向？
$\det\begin{pmatrix}3 & 1 \\ 1 & 4\end{pmatrix} = 12 - 1 = 11$。面积 $= 11$，正定向（$v_1 \to v_2$ 逆时针）。
用 Axler 9B 的交替多线性定义证明（不用求和公式硬算）。
关键：按列计算 $\det A$ = 按行计算 $\det A^\top$。证这两件事算的是同一个函数，用 9.28 唯一性。
定义两个函数：$f(A) = \det A$（按列解释）、$g(A) = \det A^\top$（按行解释等价于 $A^\top$ 的按列）。两者都是 $A$ 的列的交替 $n$-线性函数（需要验证；$g$ 作为 $A^\top$ 列的交替多线性对应到 $A$ 行的交替多线性，用 Cauchy-Binet 类论证）。
在标准基上：$f(I) = g(I) = 1$（$I^\top = I$）。由 9.28 的唯一性，$f = g$，即 $\det A = \det A^\top$。∎
本题可以走更初等的"求和公式对称"路径——用 $\det A = \sum_\sigma \operatorname{sign}(\sigma) \prod a_{i, \sigma(i)} = \sum_\sigma \operatorname{sign}(\sigma^{-1}) \prod a_{\sigma^{-1}(i), i} = \det A^\top$。
方法（不走求和公式硬算）：固定 $B$，看 $f(A) = \det(AB) / \det B$ 作为 $A$ 的列的函数。
证 $f$ 也是交替多线性 + 在单位阵上取 1，由 9.28 $f(A) = \det A$。分 $\det B = 0$ 和 $\det B \neq 0$ 讨论。
情况 1: $\det B \neq 0$。定义 $f(A) = \det(AB)$，看 $A$ 的列。$(AB)_{:, j} = A(B_{:, j})$ 是 $A$ 各列的线性组合。因此 $f$ 是 $A$ 列的交替 $n$-线性（多线性继承自 $A$，交替因为两列相同时 $AB$ 的对应列也相同——对 $A$ 列交替）。
$f(I) = \det(B) \neq 0$。按 9.28，$f$ 和 $A \mapsto (\det B) \det A$ 都是 $A$ 的列的交替多线性且在 $I$ 上都取 $\det B$，所以 $f(A) = \det B \cdot \det A$。
情况 2: $\det B = 0$。$B$ 不可逆，$B$ 的列线性相关，$AB$ 的列也线性相关（$AB$ 的列是 $A$ 乘 $B$ 的列），所以 $AB$ 不可逆，$\det(AB) = 0 = \det A \cdot 0$。∎
$A = \begin{pmatrix}1 & k \\ 0 & 1\end{pmatrix}$ 是剪切矩阵。$\det A = 1$ 对任何 $k$ 都成立——面积不变。从几何上解释为什么。
底 × 高 = 面积。剪切改变了什么、没改变什么？
剪切把单位正方形 $\{(x, y): 0 \leq x, y \leq 1\}$ 映成以 $(1, 0)$ 和 $(k, 1)$ 为邻边的平行四边形。
几何上：底边长度仍是 1（底边 $(0,0) \to (1,0)$ 不动），垂直于底边的高也仍是 1（因为第二列 $y$-分量是 1）。
"底 × 高 = 面积"是小学几何——所以面积不变。
直观：剪切相当于把一叠牌水平推偏，每张牌还是一张、总厚度不变、总面积不变。
从乘性定理（E4）推出。
$A A^{-1} = I$。两边取 $\det$：$\det(A A^{-1}) = \det A \cdot \det(A^{-1}) = \det I = 1$。
所以 $\det(A^{-1}) = 1 / \det A$（前提 $\det A \neq 0$，即 $A$ 可逆）。∎
证明 Vandermonde 行列式公式：
看这是 $x_1, \ldots, x_n$ 的多项式。两个 $x_i = x_j$ 时两列相同，det = 0，所以 $(x_j - x_i)$ 一定整除。然后数次数。
记 $D_n(x_1, \ldots, x_n)$ 为所证行列式。
消零：对每对 $i < j$，若 $x_i = x_j$，对应两列相同，$D_n = 0$。所以 $(x_j - x_i) | D_n$ 对所有 $i < j$。它们互素（作为 $x$ 的多项式），所以 $\prod_{i 次数对比：$D_n$ 作为 $(x_1, \ldots, x_n)$ 的多项式，总次数 $\leq 0 + 1 + 2 + \cdots + (n-1) = n(n-1)/2$（第 $k$ 行是 $x_i^{k-1}$）。 $\prod_{i 所以 $D_n = c \cdot \prod_{i 求 $c$：比较 $x_n^{n-1} x_{n-1}^{n-2} \cdots x_2^1$ 项。在 $D_n$ 的对角线展开里，这一项系数是 $+1$（恒等置换、选对角元）。在 $\prod$ 里，这一项系数也是 $+1$（每个 $(x_j - x_i)$ 里都取 $+x_j$）。所以 $c = 1$。∎ 为什么重要：Vandermonde 行列式在多项式插值（Lagrange/Newton）里出现——插值问题有唯一解当且仅当节点 $x_1, \ldots, x_n$ 两两不同，正是 Vandermonde 行列式非零的条件。
设 $A$ 是 $n \times n$ 实对称正定矩阵（对所有非零 $v$ 有 $v^\top A v > 0$）。证 $\det A > 0$。
用谱定理（Ch 7）：$A$ 有实特征值，全正。
$A$ 对称 $\Rightarrow$ 由实谱定理（7.29），$A$ 可正交对角化：$A = Q \Lambda Q^\top$，$\Lambda = \operatorname{diag}(\lambda_1, \ldots, \lambda_n)$ 全实。
所有 $\lambda_i > 0$：设 $A v = \lambda v$ 且 $v \neq 0$。$v^\top A v = \lambda v^\top v = \lambda \|v\|^2 > 0$（正定）。$\|v\|^2 > 0$，所以 $\lambda > 0$。
由 Q11：$\det A = \prod \lambda_i > 0$（正数的积）。∎
反向：$\det A > 0$ 不能推出正定（比如 $-I$ 的 $\det = +1$ 当 $n$ 偶时，但它是负定）。完整判定要"所有前 $k$ 阶主子式 $> 0$"（Sylvester 判据）。