對角化：矩陣最簡單的樣子

選矩陣喜歡的座標軸

在標準座標下，矩陣看起來可能盤根錯節。但假設我們用它的 特徵向量 當作新的座標軸——一個 特徵基。沿著每一根軸，矩陣無非就是按那根軸的 特徵值 縮放。在那套座標裡，矩陣是對角的：除了對角線上的縮放因子，處處都是零。

A = P * D * P^(-1)

P  = eigenvectors as columns
D  = eigenvalues on the diagonal, e.g. [[2,0],[0,3]]
P^(-1) translates standard coords -> eigen coords

為什麼這讓冪次變得輕而易舉

直接計算 A^k 意味著把雜亂的矩陣一遍又一遍地相乘。有了 對角化，相鄰兩次之間內部的 P^(-1) 與 P 相消，只剩下 D^k——而把一個對角矩陣升到某次冪，不過是把每個對角元素升到那次冪。就這麼簡單。

A^k = P * D^k * P^(-1)

D = [[2,0],[0,3]]
D^10 = [[1024,0],[0,59049]]   (just 2^10 and 3^10)

一句老實話：並非每個矩陣都能對角化

整個技巧需要 P 可逆，這就要求你有足夠多獨立的特徵向量來填滿基——對 n 階矩陣需要 n 個。有些矩陣就是湊不夠這麼多，它們在實數範圍內無法對角化。

1. 取錯切 A = [[1,1],[0,1]]，解 det(A - lambda*I) = (1-lambda)^2 = 0。
2. 唯一的特徵值是 lambda = 1，重複了兩次——但它只給出一個方向的特徵向量，(1,0)。
3. 一個獨立的特徵向量填不滿二維的基，所以 P 不可逆，這個錯切無法對角化。