numpy矩阵严格是2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 npa=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，因此你可以在
Python> = 3.5中使用
ndarrays实现相同的矩阵乘法便捷性。
import numpy as npa=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数组始终遵循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
a**2返回矩阵乘积
a*a。由于c是
ndarray，因此
c**2返回一个ndarray，每个组件的元素均按平方。
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。当你需要3维数组时会发生什么？然后，你必须使用ndarray，而不是矩阵对象。因此，学习使用矩阵对象的工作量更大-你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你的生活变得困难，因为你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。
如果你愿意放弃NumPy矩阵产品表示法的视觉吸引力（在python> = 3.5中使用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，你实际上不必选择以牺牲另一个为代价，因为
np.asmatrix并
np.asarray允许你将一个转换为另一个（只要数组是二维的）。
还有就是与
NumPy之间的差异大纲
arraysVS NumPy的
matrixES这里。
