Numpy matrices是严格二维的，而 numpyarrays(ndarrays) 是
N 维。 Matrix 对象是 ndarray 的子类，因此它们继承了所有
ndarrays 的属性和方法。
numpy 矩阵的主要优点是它们提供了方便的表示法
对于矩阵乘法：如果 a 和 b 是矩阵，则a*b是他们的矩阵
产品。
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 支持使用中缀矩阵乘法@运算符，因此您可以在 Python >= 3.5 中实现与 ndarrays 矩阵乘法相同的便利性。
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 都有.T返回转置，但是矩阵
物体也有.H对于共轭转置，以及.I为逆。
相比之下，numpy 数组始终遵循以下规则：操作是
按元素应用（新的除外）@操作员）。因此，如果a and b是 numpy 数组，那么a*b是数组
通过将各分量按元素相乘而形成：
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，您可以使用np.dot (or @在 Python >= 3.5 中，如上所示）：
print(np.dot(c,d))
# [[13 20]
# [ 5 8]]
The **运算符的行为也不同：
print(a**2)
# [[22 15]
# [10 7]]
print(c**2)
# [[16 9]
# [ 4 1]]
Since a是一个矩阵，a**2返回矩阵乘积a*a.
Since c是一个ndarray，c**2返回一个 ndarray，其中每个分量均平方
元素方面。
矩阵对象和 ndarray 之间还存在其他技术差异
（与np.ravel，项目选择和序列行为）。
numpy 数组的主要优点是它们比
二维矩阵。当你想要一个 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
对象是更多的工作——你必须学习矩阵对象运算，并且
ndarray 操作。
编写混合矩阵和数组的程序会让你的生活变得困难
因为你必须跟踪你的变量是什么类型的对象，以免
乘法会返回你意想不到的结果。
相反，如果你只使用 ndarrays，那么你可以做任何事情
矩阵对象可以做更多的事情，除了略有不同
函数/符号。
如果你愿意放弃 NumPy 矩阵产品的视觉吸引力
表示法（在 Python >= 3.5 中使用 ndarray 几乎可以优雅地实现），那么我认为 NumPy 数组绝对是正确的选择。
附言。当然，你真的不必以牺牲另一个为代价来选择一个，
自从np.asmatrix and np.asarray允许您将一种转换为另一种（如
只要数组是二维的）。
有一个 NumPy 之间差异的概要arrays与 NumPymatrixes here https://www.numpy.org/devdocs/user/numpy-for-matlab-users.html#array-or-matrix-which-should-i-use.
