在NumPy中，矩阵是ndarray的子类，且数组和矩阵有着重要的区别。

1.创建NumPy矩阵

NumPy提供了两个基本的对象，分别是N维数组对象和通用函数对象，其他对象都是在它们之上构建的。矩阵是继承自NumPy数组对象的二维数组对象。与数学概念中的矩阵一样，NumPy中的矩阵也是二维的。使用mat、matrix和bmat函数可创建矩阵。

当使用mat函数创建矩阵时，如果输入matrix或ndarray对象，那么不会创建相应副本。因此，调用mat函数和调用matrix(data, copy=False)函数等价。在大多数情况下，用户会根据小的矩阵来创建大的矩阵，即将小矩阵组合成大矩阵。在NumPy中，可以使用bmat分块矩阵（block matrix）函数实现。

在NumPy中，矩阵计算是针对整个矩阵中的每个元素进行的。与使用for循环相比，其在运算速度上更快。

除了能够实现各类运算外，矩阵还有其特有的属性，如下表。

注意：矩阵与数组完全不同的概念，矩阵与数组的区别：

矩阵（Matrix）和数组（Array）在数学和计算机科学中有着不同的概念和用途，尽管它们有时候会有一些重叠的地方。以下是它们的区别：

1. 维度和形状：

2. 数组（Array）是一种数据结构，它可以是一维的、二维的，甚至是多维的。数组可以具有任意的形状和大小，取决于其元素的排列方式。

3. 矩阵（Matrix）是一种特定形式的二维数组，通常是一个矩形的排列，其中每行和每列都有固定的长度。矩阵通常用于表示线性代数中的向量、矩阵和线性变换等。

4. 元素的含义：

5. 数组（Array）中的元素可以是任何类型的数据，比如整数、浮点数、布尔值、对象等。

6. 矩阵（Matrix）中的元素通常是数学上的标量，比如实数或复数。矩阵中的元素经常表示向量、点、线性变换的系数等。

7. 操作和运算：

8. 数组（Array）通常支持通用的数值计算操作，比如加法、乘法、元素级运算等。它们可以在不同维度之间执行各种操作。

9. 矩阵（Matrix）通常支持线性代数运算，比如矩阵乘法、求逆、行列式计算等。这些操作通常是为了解决线性方程组、最小二乘问题、特征值分解等。

10. 应用领域：

11. 数组（Array）常用于通用的数据存储和处理，比如图像处理、信号处理、机器学习等。

12. 矩阵（Matrix）在数学、工程、物理等领域中应用广泛，特别是在表示和解决线性方程组、线性变换、特征值分解等问题时。

尽管数组和矩阵有这些区别，但在某些编程语言或库中，矩阵可能只是特定形状的数组，并且它们的操作和用途可能与数组非常相似。

如何计算行列式？ 首先行列式一定是个数值，行列式必须是方阵构成。通常二、三阶行列式使用对角线计算法。

如何求矩阵的逆矩阵？

通常使用伴随矩阵法。

矩阵可逆的条件主要包括以下几点：

• 行列式不为零。一个矩阵A是可逆的充分必要条件是它的行列式|A|不等于0。
• 存在逆矩阵。若存在一个n阶方阵B，使得AB=BA=E（E是n阶单位矩阵），则称A是可逆的，B是A的逆矩阵。
• 满秩。可逆矩阵A是满秩的，即其秩r(A)=n。
• 线性无关的行向量或列向量。如果矩阵A的行向量或列向量线性无关，则A是可逆的。
• 齐次线性方程组只有零解。如果齐次线性方程组AX=0只有零解，则A是可逆的。
• 非齐次线性方程组有唯一解。如果非齐次线性方程组AX=b有唯一解，则A是可逆的。
• 特征值都不为零。如果矩阵A的所有特征值都不为零，这也是A可逆的一个标志。
• 可以表示成初等矩阵的乘积。如果矩阵A可以表示成一系列初等矩阵的乘积，则A是可逆的。

2.掌握ufunc函数

常用的ufunc函数运算有四则运算、比较运算和逻辑运算等。

• 四则运算：ufunc函数支持全部的四则运算，并且保留习惯的运算符，和数值运算的使用方式一样，但是需要注意的是，操作的对象是数组。数组间的四则运算表示对每个数组中的元素分别进行四则运算，因此进行四则运算的两个数组的形状必须相同。
• 比较运算：在ufunc函数中也支持完整的比较运算：>、<、==、>=、<=、!=。比较运算返回的结果是一个布尔数组，其每个元素为数组对应元素的比较结果。
• 逻辑运算：在NumPy逻辑运算中，numpy.all函数表示逻辑and，numpy.any函数表示逻辑or。