只是在unutbu的列表中添加一个案例。

对我来说，numpy ndarray与numpy矩阵或像matlab这样的矩阵语言相比，最大的实际区别之一是在约简操作中不保留维数。矩阵总是二维的，而数组的均值，例如，有一个维度少。

例如降低矩阵或数组的行:

与矩阵

>>> m = np.mat([[1,2],[2,3]])
>>> m
matrix([[1, 2],
        [2, 3]])
>>> mm = m.mean(1)
>>> mm
matrix([[ 1.5],
        [ 2.5]])
>>> mm.shape
(2, 1)
>>> m - mm
matrix([[-0.5,  0.5],
        [-0.5,  0.5]])

与数组

>>> a = np.array([[1,2],[2,3]])
>>> a
array([[1, 2],
       [2, 3]])
>>> am = a.mean(1)
>>> am.shape
(2,)
>>> am
array([ 1.5,  2.5])
>>> a - am #wrong
array([[-0.5, -0.5],
       [ 0.5,  0.5]])
>>> a - am[:, np.newaxis]  #right
array([[-0.5,  0.5],
       [-0.5,  0.5]])

我还认为混合使用数组和矩阵会带来很多“愉快的”调试时间。 然而,scipy。稀疏矩阵总是矩阵的运算符，比如乘法。

根据官方文件，不再建议使用矩阵类，因为它将在未来被删除。

https://numpy.org/doc/stable/reference/generated/numpy.matrix.html

正如其他答案已经声明的那样，您可以使用NumPy数组实现所有操作。

正如其他人所提到的，也许矩阵的主要优点是它为矩阵乘法提供了一个方便的符号。

然而，在Python 3.5中，最终有一个专用的中缀运算符用于矩阵乘法:@。

在最近的NumPy版本中，它可以与ndarray一起使用:

A = numpy.ones((1, 3))
B = numpy.ones((3, 3))
A @ B

所以现在，当你有疑问的时候，你应该坚持使用ndarray。

使用矩阵的一个优点是通过文本而不是嵌套的方括号更容易实例化。

你可以用矩阵来做

np.matrix("1, 1+1j, 0; 0, 1j, 0; 0, 0, 1")

并直接获得所需的输出:

matrix([[1.+0.j, 1.+1.j, 0.+0.j],
        [0.+0.j, 0.+1.j, 0.+0.j],
        [0.+0.j, 0.+0.j, 1.+0.j]])

如果你使用数组，这是行不通的:

np.array("1, 1+1j, 0; 0, 1j, 0; 0, 0, 1")

输出:

array('1, 1+1j, 0; 0, 1j, 0; 0, 0, 1', dtype='<U29')

Scipy.org建议使用数组:

*'array' or 'matrix'? Which should I use? - Short answer Use arrays. They support multidimensional array algebra that is supported in MATLAB They are the standard vector/matrix/tensor type of NumPy. Many NumPy functions return arrays, not matrices. There is a clear distinction between element-wise operations and linear algebra operations. You can have standard vectors or row/column vectors if you like. Until Python 3.5 the only disadvantage of using the array type was that you had to use dot instead of * to multiply (reduce) two tensors (scalar product, matrix vector multiplication etc.). Since Python 3.5 you can use the matrix multiplication @ operator. Given the above, we intend to deprecate matrix eventually.

只是在unutbu的列表中添加一个案例。

对我来说，numpy ndarray与numpy矩阵或像matlab这样的矩阵语言相比，最大的实际区别之一是在约简操作中不保留维数。矩阵总是二维的，而数组的均值，例如，有一个维度少。

例如降低矩阵或数组的行:

与矩阵

>>> m = np.mat([[1,2],[2,3]])
>>> m
matrix([[1, 2],
        [2, 3]])
>>> mm = m.mean(1)
>>> mm
matrix([[ 1.5],
        [ 2.5]])
>>> mm.shape
(2, 1)
>>> m - mm
matrix([[-0.5,  0.5],
        [-0.5,  0.5]])

与数组

>>> a = np.array([[1,2],[2,3]])
>>> a
array([[1, 2],
       [2, 3]])
>>> am = a.mean(1)
>>> am.shape
(2,)
>>> am
array([ 1.5,  2.5])
>>> a - am #wrong
array([[-0.5, -0.5],
       [ 0.5,  0.5]])
>>> a - am[:, np.newaxis]  #right
array([[-0.5,  0.5],
       [-0.5,  0.5]])

我还认为混合使用数组和矩阵会带来很多“愉快的”调试时间。 然而,scipy。稀疏矩阵总是矩阵的运算符，比如乘法。