当对角化失败时
第一卷讲过对角化：当 A 有一整组特征向量时，A = P D P^-1。但许多矩阵是*亏损的*——它们没有足够的特征向量，于是不存在特征基，P 不可逆。更糟的是，即便 P 存在，它也可能极度非正交，使分解在数值上毫无用处。我们需要一种*总是*存在、且只用良态正交因子的分解。
Schur 分解正是这种分解：每个方阵（在复数域上）都可写成 A = Q T Q^*，其中 Q 是酉矩阵（实情形下为正交矩阵），T 是上三角矩阵。任何亏损都拦不住它。而因为 Q 是酉的，T 与 A 相似，故 T 与 A 共享特征值——它们就明晃晃地排在 T 的对角线上。
读懂 Schur 形式
T 的对角线给出每个特征值，而完全不必去解特征多项式——这正是严肃软件求特征值的方式，因为对大的 n 来说多项式求根的条件极差。上三角部分记录了特征向量在多大程度上偏离正交（当 A 为正规矩阵时它恰为零）。你还能重排 T 的对角线，把选定的一簇特征值挪到顶部，这是不变子空间与控制论计算的基础。
A = [ 1 1 ; Q ~ orthonormal, T = [ 3 * ;
2 2 ] 0 0 ]
# A is defective-ish (rank 1), but Schur still exists.
# eigenvalues of A are 3 and 0 -> they appear on diag(T).
# the off-diagonal '*' encodes the non-orthogonality of A's eigenvectors.
# (The real Schur form keeps 2x2 blocks for complex-conjugate pairs.)极分解：旋转乘以拉伸
极分解把任意方阵写成 A = U P，其中 U 是正交矩阵（纯旋转/反射），P 是对称半正定矩阵（沿正交轴的纯非负拉伸）。它是把复数写成 z = e^{i theta} r（相位乘以模长）的矩阵类比。这一分解把*算子所做的事*拆成「转」与「缩」。
极分解与 SVD 是同一真理的两种视角：若 A = W Sigma V^T 是 SVD，则 U = W V^T、P = V Sigma V^T。于是拉伸 P 的特征值就是 A 的奇异值。工程师钟爱极分解，因为 U 是与 A 最近的正交矩阵——它回答「与这个略有畸变的变换最接近的纯旋转是什么？」，这正是图形学、机器人学与晶体学中对测得旋转做正交化的核心。