numpy矩阵严格是二维的，而numpy数组（ndarrays）是N维的。矩阵对象是ndarray的子​​类，因此它们继承了ndarray的所有属性和方法。

numpy矩阵的主要优点是它们为矩阵乘法提供了一种方便的表示法：如果a和b是矩阵，则a * b是它们的矩阵乘积。

import numpy as np

a=np.mat('4 3; 2 1') b=np.mat('1 2; 3 4') print(a)

[[4 3]

[2 1]]

print(b)

[[1 2]

[3 4]]

print(a*b)

[[13 20]

[ 5 8]]

另一方面，从Python 3.5开始，NumPy使用@运算符支持中缀矩阵乘法，因此您可以在Python> = 3.5中使用ndarrays实现相同的矩阵乘法便利。

import numpy as np

a=np.array([[4, 3], [2, 1]]) b=np.array([[1, 2], [3, 4]]) print(a@b)

[[13 20]

[ 5 8]]

矩阵对象和ndarray都.T必须返回转置，但是矩阵对象也必须具有.H共轭转置和.I逆。

相反，numpy数组始终遵守以元素为单位应用操作的规则（除了new @运算符）。因此，如果a和b是numpy数组，则a*b该数组是通过按元素逐个乘以组成的：

c=np.array([[4, 3], [2, 1]]) d=np.array([[1, 2], [3, 4]]) print(c*d)

[[4 6]

[6 4]]

要获得矩阵乘法的结果，请使用np.dot（或@在Python> = 3.5中，如上所示）：

print(np.dot(c,d))

[[13 20]

[ 5 8]]

该**运营商还表现不同：

print(a**2)

[[22 15]

[10 7]]

print(c**2)

[[16 9]

[ 4 1]]

由于a是矩阵，所以a2返回矩阵乘积a*a。由于c是ndarray，因此c2返回一个ndarray，每个组件的元素均平方。

矩阵对象和ndarray之间还有其他技术区别（与np.ravel，项目选择和序列行为有关）。

numpy数组的主要优点是它们比二维矩阵更通用。当您需要3维数组时会发生什么？然后，您必须使用ndarray，而不是矩阵对象。因此，学习使用矩阵对象的工作量更大-您必须学习矩阵对象操作和ndarray操作。

编写同时使用矩阵和数组的程序会使您的生活变得困难，因为您必须跟踪变量是什么类型的对象，以免乘法返回意外的结果。

相反，如果仅使用ndarray，则可以执行矩阵对象可以执行的所有操作，以及更多操作，但功能/符号略有不同。

如果您愿意放弃NumPy矩阵产品表示法的视觉吸引力（使用python> = 3.5的ndarrays几乎可以优雅地实现），那么我认为NumPy数组绝对是可行的方法。

PS。当然，您真的不必以牺牲另一个为代价来选择一个，因为np.asmatrix并np.asarray允许您将一个转换为另一个（只要数组是二维的）。

问题来源于stack overflow