矩阵是由 m 行 n 列的数构成的集合，通常被称为 m 行 n 列矩阵，简写为 m×n 矩阵。以下示例展示了一个 3×2（即 3 行 2 列）的矩阵。
在数学概念中，矩阵是一组按照矩形阵列排列的复数或实数，其起源可追溯至方程组的系数及常数所构成的方阵。这一概念由 19 世纪英国数学家凯利于首次提出。
矩阵是高等代数学中的常用工具，也广泛出现于统计分析等应用数学领域。在数值分析领域，矩阵的运算是重要问题。通过将矩阵分解为简单矩阵的组合，可以简化和优化矩阵的运算。对于一些具有特殊形式如稀疏矩阵和准对角矩阵的矩阵，存在特定的快速运算算法。
虽然 Python 没有内置的矩阵类型，但我们可以利用列表来模拟矩阵的概念。
接下来，让我们学习如何使用嵌套列表来操作数据。
当执行上述代码时，输出的结果将体现我们对矩阵的基本计算任务的处理方式。但若要在 Python 中更高效地处理矩阵，我们可以借助 Numpy 库。
Numpy 是 Python 中用于科学计算的包，特别针对 n 维数组对象提供了强大的功能。若想使用 Numpy，我们需要在电脑上安装 Anaconda，因为它自带了 Numpy 以及与数据科学和机器学习相关的其他库。
安装完成后，我们可以导入 Numpy 并使用其功能。例如：
Numpy 提供了一种名为 ndarray 的对象，用于表示数字数组。
要创建 Numpy 数组，有多种方法。下面简要介绍两种创建数组的方法：
1. 创建整数、浮点数和复数数组
执行上述代码后，我们将得到用特定数据类型填充的数组。
2. 创建全零和全一数组
若要创建一个全零的数组，我们可以使用 np.zeros 函数。该函数的参数包括数组的形状和（可选）数据类型等。例如：
对于全一数组的创建，我们使用 np.ones 函数，其用法与 np.zeros 类似。
我们还可以使用 np.arange 和 reshape 方法来生成特定形状的矩阵。例如：
接下来，我们将探讨如何进行矩阵运算，如加法、乘法和转置。虽然我们之前使用嵌套列表来完成这些任务，但现在我们将学习如何使用 Numpy 数组更高效地完成这些任务。
矩阵加法
我们使用 + 运算符来计算两个 Numpy 矩阵的对应元素。
矩阵乘法
要注意的是，只有 dot() 方法用于矩阵相乘，而 运算符仅用于数组元素的逐个相乘。
矩阵转置
我们可以使用 numpy.transpose 来计算矩阵的转置。
以上述方式使用 Numpy，我们可以更轻松地完成各种任务。接下来，我们将学习如何查看和处理矩阵中的元素、行和列。
查看矩阵元素
与列表相似，我们可以通过索引来查看矩阵中的元素。
查看矩阵行和列
通过特定的方法或索引操作，我们可以方便地查看和处理矩阵中的行和列。
我们还可以对矩阵进行切片操作和分割等更高级的操作。这些操作在数据处理和分析中非常有用。