NumPy通过ndarray实现高效矩阵运算，支持元素级操作及使用@、np.dot()进行矩阵乘法，并提供np.linalg模块用于求逆、解线性方程组和特征值分析。
NumPy是Python中进行高效矩阵运算的核心库。要用它进行矩阵运算，最直接的方式是利用其数组（
ndarray）结构，并结合专门的函数如
np.dot()、
@运算符进行矩阵乘法，以及
np.linalg模块处理更复杂的线性代数问题。它将底层的C或Fortran优化性能带入Python，让大规模数值计算变得触手可及。
NumPy处理矩阵运算的核心在于它的
ndarray对象。我们通常会先将列表或数组转换为
np.array，然后就可以进行各种数学操作了。
比如，创建一个2x3的矩阵A和一个3x2的矩阵B：
import numpy as np
A = np.array([[1, 2, 3],
[4, 5, 6]])
B = np.array([[7, 8],
[9, 10],
[11, 12]])
print("矩阵A:\n", A)
print("矩阵B:\n", B)元素级运算 (Element-wise Operations): NumPy默认的
*运算符执行的是元素级乘法，而不是矩阵乘法。这意味着两个形状相同的数组，对应位置的元素相乘。
C = np.array([[1, 2], [3, 4]])
D = np.array([[5, 6], [7, 8]])
print("元素级乘法 C * D:\n", C * D)
# 结果是 [[ 5 12] [21 32]]加减法也是元素级的：
立即学习“Python免费学习笔记（深入）”；
print("元素级加法 A + A:\n", A + A)
print("元素级减法 A - A:\n", A - A)矩阵乘法 (Matrix Multiplication): 这是很多人初学NumPy时容易混淆的地方。标准的矩阵乘法，也就是线性代数中的“点积”，在NumPy中有几种实现方式：
-
np.dot()
函数: 这是比较传统和通用的方式，可以用于向量点积、矩阵-向量乘法以及矩阵-矩阵乘法。C_dot = np.dot(A, B) print("使用np.dot()进行矩阵乘法 A . B:\n", C_dot) # 结果是一个2x2的矩阵 -
@
运算符 (Python 3.5+): 这是更现代、更符合数学直觉的语法糖，推荐使用。它等同于np.matmul()
。C_at = A @ B print("使用@运算符进行矩阵乘法 A @ B:\n", C_at) # 结果与np.dot()相同 -
np.matmul()
函数: 这个函数专门用于矩阵乘法。与np.dot()
在处理多维数组时略有不同，np.matmul()
更严格地遵循矩阵乘法的广播规则。但在处理二维矩阵时，它和np.dot()
以及@
运算符的结果是一致的。C_matmul = np.matmul(A, B) print("使用np.matmul()进行矩阵乘法 A matmul B:\n", C_matmul) # 结果与上述两种方法相同
选择哪种方式？个人经验是，对于二维矩阵乘法，
@运算符最清晰易读。如果涉及到向量点积或需要向后兼容Python 3.5以下版本，
np.dot()是个稳妥的选择。
np.matmul()则在处理高维数组时有其特定优势。
NumPy如何处理向量与矩阵的乘法？
在NumPy中，向量通常被表示为一维数组，或者通过
reshape转换为行向量或列向量的二维数组。理解这一点对于正确执行乘法至关重要。
我们先定义一个向量：
v = np.array([1, 2, 3])
print("向量v:\n", v)矩阵乘以向量： 如果想用矩阵A（2x3）乘以向量v（3），
np.dot()和
@运算符都能很好地处理。NumPy会智能地将一维向量解释为列向量或行向量，以满足乘法条件。
# A是2x3，v是长度3的一维数组。NumPy会将其视为3x1的列向量进行乘法
result_Av = A @ v
print("矩阵A乘以向量v (A @ v):\n", result_Av)
# 结果是一个长度为2的一维数组，等同于2x1的列向量向量乘以矩阵： 如果想用向量v（3）乘以矩阵A（2x3），这在数学上是不直接允许的（因为v是1x3，A是2x3，内维度不匹配）。但如果你想让v作为一个行向量（1x3）去乘以A的转置（3x2），那就可以。
# 将v明确地表示为行向量 (1x3)
v_row = v.reshape(1, -1) # 或 np.array([v])
print("行向量v_row:\n", v_row)
# 矩阵A的转置是3x2
A_T = A.T
print("矩阵A的转置A_T:\n", A_T)
# 现在可以进行乘法：(1x3) @ (3x2) -> 1x2
result_vA_T = v_row @ A_T
print("行向量v_row乘以A的转置 (v_row @ A.T):\n", result_vA_T)这里需要注意，NumPy在处理一维数组时，其“形状”是灵活的。当它作为点积的参数时，它会根据另一个参数的形状自动调整。这种隐式转换有时会让人困惑，所以显式地使用
reshape或
[:, np.newaxis]来创建行/列向量，能让代码意图更清晰。
NumPy的np.linalg
模块在高级线性代数运算中有哪些应用？
np.linalg模块是NumPy的精华之一，它提供了一系列标准线性代数运算的函数，对于科学计算、机器学习等领域至关重要。
1. 逆矩阵 (Inverse Matrix): 计算方阵的逆。如果矩阵不可逆（奇异矩阵），会抛出
LinAlgError。
M = np.array([[1, 2],
[3, 4]])
try:
M_inv = np.linalg.inv(M)
print("矩阵M的逆:\n", M_inv)
# 验证：M @ M_inv 应该接近单位矩阵
print("M @ M_inv:\n", M @ M_inv)
except np.linalg.LinAlgError as e:
print(f"矩阵不可逆: {e}")2. 求解线性方程组 (Solve Linear Equations): 给定线性方程组 Ax = b，我们可以用
np.linalg.solve(A, b)来直接求解x。这比先求A的逆再乘以b更稳定、更高效，尤其是在大型或接近奇异的矩阵上。
# 求解方程组：
# x + 2y = 5
# 3x + 4y = 11
A_eq = np.array([[1, 2],
[3, 4]])
b_eq = np.array([5, 11])
x_solution = np.linalg.solve(A_eq, b_eq)
print("线性方程组的解x:\n", x_solution)
# 验证：A_eq @ x_solution 应该接近b_eq
print("A_eq @ x_solution:\n", A_eq @ x_solution)**3. 特征值和特征
