一句话定义：矩阵的秩（Matrix Rank），就是这张数字表里“互相独立、无法由彼此拼凑出来”的信息共有几维。
举个职场上的例子。十个部门轮流上台汇报，PPT 换着说法讲同一件事：同一个项目、同一批数据、同一个结论，只是配色和措辞不同。听完你会说：听上去有十份材料，真正有效的信息只有一份。把这十行汇报看成矩阵的十行，这个矩阵的秩就是 1。
再看一组具体数字：三行数据 (1, 2)、(2, 4)、(3, 6)。看起来是 3 个样本、2 个特征，很像一个 3×2 的矩阵；但每一行都是第一行乘个倍数，第二列也永远等于第一列乘 2。没有新东西。所以它的秩是 1，而 3×2 矩阵的秩最多只能到 min(3, 2) = 2。所谓“满秩（full rank）”，就是秩取到了这个上限，意味着每一行、每一列都在提供新信息；没取到就叫“秩亏（rank deficiency）”，说明存在冗余。
怎么算。 用高斯消元把它化成行阶梯形，数一数有几行不是全零。这里有个漂亮的定理：行秩恒等于列秩，所以不用纠结“按行看还是按列看”，统一叫秩。等价的几何说法是：把矩阵看成一个线性映射，秩就是这个映射的像空间（image）的维度；也就是说，它把输入空间压到了几维。
它和几个容易混淆的概念的区别：
| 概念 | 回答的问题 | 注意点 |
|---|---|---|
| 秩 | 有几个独立方向 | 任意形状的矩阵都有；上界是 min(行数, 列数) |
| 行列式（determinant） | 体积被拉伸了几倍 | 只对方阵有定义；行列式非零等价于满秩 |
| 奇异值（singular value） | 每个方向各被拉伸几倍 | 秩就等于非零奇异值的个数 |
| 稀疏度（sparsity） | 表里有多少个零 | 与秩没有必然关系：一个极稀疏的矩阵也可能满秩 |
注意：稀疏和秩是两回事。一个矩阵全是非零数字，也可能只有一维真信息；而一个几乎全零的矩阵，只要零散位置够“错开”，照样能满秩。
对实际工作意味着什么。 第一，做特征工程时如果发现特征矩阵秩亏，就说明某些特征能由其他特征线性组合出来，回归系数会不稳定，这时要去掉冗余列或者加正则化（regularization）。第二，在压缩上，截断奇异值分解能给出给定秩下的最优近似，这是大量模型压缩、降维方法的基础。第三，推荐系统和向量检索里的矩阵分解，本质上是假设用户、物品或文本的交互矩阵是低秩的，然后用少数几个隐向量（latent vector）解释海量观测。第四，LoRA 这类微调方法把权重更新拆成两个很“瘦”的矩阵相乘，前提假设就是“微调带来的改变是低秩的”。权重矩阵到底有多低秩、能压到多小，各家实现差异很大，具体以官方文档为准。
一句话收尾：秩是给矩阵去重的尺子。它不数你存了多少个数，只数你能说出几句不重复的话。