### 使用 NumPy 的 Matrix 进行操作 NumPy 提供了 `matlib` 模块来处理矩阵对象，这些函数返回的是一个真正的矩阵而非普通的 ndarry 对象[^2]。 #### 创建矩阵 要创建一个矩阵，可以使用 `numpy.matrix()` 函数。下面是一个简单的例子： ```python import numpy as np # 定义两个列表形式的数据 data1 = [[1, 2], [3, 4]] data2 = [[5, 6], [7, 8]] # 将其转换成 matrix 类型的对象 matrix_a = np.matrix(data1) matrix_b = np.matrix(data2) print("Matrix A:\n", matrix_a) print("\nMatrix B:\n", matrix_b) ``` #### 基本运算 对于基本的算术运算符（如加减乘除），当应用于矩阵时会执行相应的线性代数运算。例如，相乘表示矩阵之间的内积；而如果想要逐元素相乘，则需调用特定的方法或转为 ndarray 后再做相应操作。 ##### 加法和减法 可以直接利用 '+' 和 '-' 符号来进行两者的求和与差分计算: ```python addition_result = matrix_a + matrix_b subtraction_result = matrix_a - matrix_b print("Addition Result:\n", addition_result) print("\nSubtraction Result:\n", subtraction_result) ``` ##### 乘法 这里需要注意区分两种不同的乘法规则——点乘(`*`)代表常规意义上的矩阵乘法，即行列对应位置上的值相乘后再累加得到新矩阵中对应的值；而对于按位乘法则应采用 `.multiply()` 方法实现。 ```python multiplication_result = matrix_a * matrix_b # 正常矩阵乘法 elementwise_multiplication_result = np.multiply(matrix_a, matrix_b) # 元素级乘法 print("Multiplication (dot product):\n", multiplication_result) print("\nElement-wise Multiplication:\n", elementwise_multiplication_result) ``` #### 转置和其他属性获取 通过访问某些特殊属性可以获得有关矩阵的信息，比如它的形状(shape)，大小(size)，以及对其进行转置(transpose). ```python transpose_matrix_a = matrix_a.T # 获取转置矩阵 shape_of_matrix_a = matrix_a.shape # 查看矩阵尺寸 size_of_matrix_a = matrix_a.size # 计算总元素数量 print("Transpose of Matrix A:\n", transpose_matrix_a) print("\nShape of Matrix A:", shape_of_matrix_a) print("\nSize of Matrix A:", size_of_matrix_a) ``` 尽管如此，在实际编程实践中更推荐使用二维数组(ndarray)代替显式的 matrix 类型，因为后者已经被认为有些过时，并且可能在未来版本被移除。因此建议尽可能地依赖于通用的 ndarray 接口完成所需的任务。