课程库 › AI 主线 › 阶段项目与数学直觉 › 第 4 课

数学直觉一：向量与矩阵 —— 数据在机器眼中的样子

普通课约 55 分钟

本课导读

从本课起，为阶段 2 的机器学习铺最后两块砖——不是数学课（没有证明、不用背公式），是直觉课：搞懂两个词在 AI 语境里到底指什么。今天是"向量"与"矩阵"。剧透结论：你已经和它们共事一个月了——DataFrame 的一行就是向量，整张表就是矩阵。本课只是给老熟人补办一场正式介绍。预计 55 分钟。

观看要点
▸向量的三种视角——物理系的箭头、计算机系的数字列表、数学系的抽象对象
▸对 AI 从业者，「数字列表」视角是主力——正是下文 DataFrame 一行的样子
▸向量加法与数乘的几何画面：箭头首尾相接、整体拉伸
看不了视频？文字讲义已覆盖全部内容，直接往下读即可。

向量：一串数字描述一个东西

给"一名用户"画像：年龄 28、月消费 1200 元、本月登录 15 次。把它们按固定顺序排成一列：

用户小雨 = [28, 1200, 15]

这就是向量（vector）：用一串数字完整描述一个对象，每个位置代表一个特征（年龄、消费、活跃度）。它不神秘——你写了一个月的"一行数据"就是它：

Python

import pandas as pd

df = pd.DataFrame({
  "age": [28, 35, 22],
  "spend": [1200, 800, 2100],
  "logins": [15, 4, 22],
}, index=["小雨", "老王", "丽丽"])
print(df)
print("―" * 30)

# DataFrame 的一行 = 一个用户的向量
xiaoyu = df.loc["小雨"].values
print(f"小雨的向量：{xiaoyu}")
print(f"维度（特征数）：{len(xiaoyu)}")

两个术语立刻打通：

维度（dimension）= 向量里有几个数 = 几个特征。3 个特征就是三维向量。AI 里动辄"768 维向量"，不过是用 768 个数字描述一个东西——维度不是玄学，是字段数
为什么机器要向量？因为数字才能算。"小雨和丽丽像不像"这种问题，变成向量后就是可计算的距离问题——看下面

向量的用处：相似度有了算法

两个用户像不像？向量视角：把每个特征的差距平方相加再开方（就是勾股定理的推广——两点之间的直线距离）：

Python

import pandas as pd

df = pd.DataFrame({
  "age": [28, 35, 22],
  "spend": [1200, 800, 2100],
  "logins": [15, 4, 22],
}, index=["小雨", "老王", "丽丽"])

def distance(a, b):
  """两个向量的直线距离（欧氏距离）：差的平方和开根号"""
  return sum((x - y) ** 2 for x, y in zip(a, b)) ** 0.5

xiaoyu = df.loc["小雨"].values
laowang = df.loc["老王"].values
lili = df.loc["丽丽"].values

print(f"小雨 ↔ 老王：{distance(xiaoyu, laowang):.0f}")
print(f"小雨 ↔ 丽丽：{distance(xiaoyu, lili):.0f}")
print("距离更小 = 更相似 → 给小雨推荐商品时，该参考谁的购买记录？")

"像不像"变成了"距离多远"——这一步转换是半个 AI 的地基：推荐系统（找相似用户）、搜索（找相似文档）、RAG（阶段 3 的主角，找和问题相似的资料片段），核心都是"算向量距离"。你未来听到的 Embedding（嵌入），就是"把文字/图片变成向量，好让机器算相似度"——现在这句话对你已经不是黑话了。

（细节说明：例子里 spend 的数值远大于其他特征，会主导距离——真实场景要先把各特征缩放到同一量级，这叫标准化，阶段 2 正式学。今天记住直觉即可。）

矩阵：向量的批量形态

三个用户的向量摞在一起，就是矩阵（matrix）——数字的矩形阵列：

Python

import pandas as pd

df = pd.DataFrame({
  "age": [28, 35, 22],
  "spend": [1200, 800, 2100],
  "logins": [15, 4, 22],
}, index=["小雨", "老王", "丽丽"])

m = df.values           # DataFrame 卸下行列标签 → 纯数字矩阵
print(m)
print(f"形状：{m.shape}")   # (3, 2)？(3, 3)！——3 行用户 × 3 列特征

谜底完全揭开：

矩阵 = 一批向量 = 去掉标签的 DataFrame。df.values 一步到位；shape 你早就在用
AI 语境的读法：每行一个样本，每列一个特征——"训练数据是一个 10000×768 的矩阵"翻译成人话：一万个样本，每个用 768 个数字描述
机器学习的"训练"，物理上就是对这些矩阵做大批量乘加运算（矩阵乘法）——为什么 GPU 重要？因为它是矩阵运算的专用引擎。U0.2 讲过的"参数"，存放形态也是矩阵

提示

类比记忆：向量是一张个人档案卡，矩阵是一抽屉档案卡。DataFrame 是"贴了标签方便人看"的抽屉，矩阵是"卸掉标签方便机器算"的抽屉——df.values 就是撕标签的动作。AI 的世界里，万物先变档案卡（向量化），再进抽屉（组成矩阵），然后才谈计算。

✍️ 练习

练习 1：手搓一个向量

给"一部手机"设计一个 4 维向量（自选 4 个数值特征，如价格/屏幕寸数/电池/重量），用两部真实手机的数据算它们的距离。

Python

def distance(a, b):
  return sum((x - y) ** 2 for x, y in zip(a, b)) ** 0.5

# 你的代码：定义两部手机的向量并算距离

✅ 参考答案

def distance(a, b):
    return sum((x - y) ** 2 for x, y in zip(a, b)) ** 0.5

# 特征顺序：[价格(元), 屏幕(寸), 电池(mAh), 重量(g)]
phone_a = [5999, 6.7, 4400, 221]
phone_b = [4599, 6.4, 4600, 194]

print(f"距离：{distance(phone_a, phone_b):.0f}")
# 观察：价格数值最大，几乎独占了距离——亲身体会“需要标准化”的原因

练习 2：从表到矩阵

把上一单元的销售数据（数值列）变成矩阵：读出 values、报出形状、并用一句话翻译这个形状（"X 个样本 × Y 个特征"）。

Python

import pandas as pd

df = pd.DataFrame({
  "product": ["键盘", "鼠标", "显示器", "耳机"],
  "price": [599, 149, 1599, 459],
  "qty": [2, 3, 1, 2],
  "amount": [1198, 447, 1599, 918],
})

# 你的代码（提示：先用双层方括号挑出数值列）

✅ 参考答案

import pandas as pd

df = pd.DataFrame({
    "product": ["键盘", "鼠标", "显示器", "耳机"],
    "price": [599, 149, 1599, 459],
    "qty": [2, 3, 1, 2],
    "amount": [1198, 447, 1599, 918],
})

m = df[["price", "qty", "amount"]].values
print(m)
print(m.shape)   # (4, 3)：4 个样本（商品）× 3 个特征

注意 product 列没进矩阵——文字进不了数字矩阵。"文字怎么变数字"正是 Embedding 要解决的问题（阶段 3 见）。

练习 3：迷你推荐器（挑战）

用距离函数给"新用户"找出最相似的老用户：遍历老用户逐个算距离，输出最近的那位的名字。（这 10 行代码就是推荐系统的原理核心。）

Python

import pandas as pd

def distance(a, b):
  return sum((x - y) ** 2 for x, y in zip(a, b)) ** 0.5

df = pd.DataFrame({
  "age": [28, 35, 22, 41],
  "spend": [1200, 800, 2100, 500],
  "logins": [15, 4, 22, 2],
}, index=["小雨", "老王", "丽丽", "陈叔"])

new_user = [25, 1900, 20]   # 新注册用户的向量

# 你的代码：找出与 new_user 距离最小的老用户

✅ 参考答案

import pandas as pd

def distance(a, b):
    return sum((x - y) ** 2 for x, y in zip(a, b)) ** 0.5

df = pd.DataFrame({
    "age": [28, 35, 22, 41],
    "spend": [1200, 800, 2100, 500],
    "logins": [15, 4, 22, 2],
}, index=["小雨", "老王", "丽丽", "陈叔"])

new_user = [25, 1900, 20]

best_name = None
best_dist = float("inf")          # 从“无穷大”起步，逐个打擂台
for name in df.index:
    d = distance(new_user, df.loc[name].values)
    print(f"{name}: {d:.0f}")
    if d < best_dist:
        best_name, best_dist = name, d

print(f"最相似：{best_name} → 可参考 TA 的购买记录做推荐")

"逐个算距离、打擂台找最小"——真实推荐系统在亿级用户上做同样的事（用矩阵运算一次算完 + 各种加速索引），原理你今天就懂了。

📝 随堂测验

随堂测验0 / 5 题正确

1. AI 语境下，“向量”最实用的理解是？

2. “把用户变成向量”换来的最大好处是？

3. “训练数据是 10000×768 的矩阵”翻译成人话是？

4. 练习里 spend（上千）几乎独占了距离计算，说明什么？

5. 为什么 GPU 对 AI 如此重要？用本课的话说：

本课小结

向量 = 描述一个对象的一串数字（DataFrame 的一行）；维度 = 特征数，不神秘
向量化的意义：像不像 → 距离多远——推荐/搜索/RAG（Embedding）的共同地基；量级不均要标准化（阶段 2）
矩阵 = 一批向量 = 卸了标签的 DataFrame（df.values）；每行一样本、每列一特征
训练 = 巨型矩阵运算，GPU 是它的专用引擎

下一课第二块直觉：导数与梯度——U0.2 那句"梯度下降是浓雾下山"，这次用代码亲手把山下了。

划选正文任意文字可高亮、批注或加入复习卡

讨论

载入中…