需要执行矩阵和线性代数运算，比如矩阵乘法、寻找行列式、求解线性方程组等等。

矩阵类似于3.9 小节中数组对象，但是遵循线性代数的计算规则。下面的一个例子展示了矩阵的一些基本特性：

>>> import numpy as np>>> m = np.matrix([[1,-2,3],[0,4,5],[7,8,-9]])>>> mmatrix([[ 1, -2, 3],[ 0, 4, 5],[ 7, 8, -9]])>>> # Return transpose>>> m.Tmatrix([[ 1, 0, 7],[-2, 4, 8],[ 3, 5, -9]])>>> # Return inverse>>> m.Imatrix([[ 0.33043478, -0.02608696, 0.09565217],[-0.15217391, 0.13043478, 0.02173913],[ 0.12173913, 0.09565217, -0.0173913 ]])>>> # Create a vector and multiply>>> v = np.matrix([[2],[3],[4]])>>> vmatrix([[2],[3],[4]])>>> m * vmatrix([[ 8],[32],[ 2]])>>>

 可以在numpy中找到更多的操作函数

>>> import numpy.linalg>>> # Determinant>>> numpy.linalg.det(m)-229.99999999999983>>> # Eigenvalues>>> numpy.linalg.eigvals(m)array([-13.11474312, 2.75956154, 6.35518158])>>> # Solve for x in mx = v>>> x = numpy.linalg.solve(m, v)>>> xmatrix([[ 0.96521739],[ 0.17391304],[ 0.46086957]])>>> m * xmatrix([[ 2.],[ 3.],[ 4.]])>>> v matrix([[2], [3], [4]])

 很显然线性代数是个非常大的主题，已经超出了本书能讨论的范围。但是，如果需要操作数组和向量的话， NumPy 是一个不错的入口点。可以访问NumPy 官网http://www.numpy.org 获取更多信息。