用np.array创建矩阵需注意维度对齐：一维数组非向量，行向量用[[1,2,3]]（shape(1,3)），列向量用[[1],[2],[3]]（shape(3,1)）；矩阵乘优先用@而非np.dot或*；求逆等操作前须验证方阵且满秩；广播需显式控制形状。
用 np.array 创建矩阵时，别忘了维度对齐
Python 里没有原生矩阵类型，np.array 是起点，但它的行为和数学矩阵不完全一致。比如 np.array([1, 2, 3]) 默认是一维数组（shape 是 (3,)），不是行向量或列向量——这会导致后续点乘报错 ValueError: matmul: Input operand 1 has a mismatch in its core dimension。
实操建议：
- 明确向量方向：行向量用
np.array([[1, 2, 3]])（shape(1, 3)），列向量用np.array([[1], [2], [3]])（shape(3, 1)） - 二维矩阵优先用双层中括号，避免
np.matrix（已弃用，且与np.array混用易出错） - 不确定 shape 时，随时打印
a.shape，比猜更可靠
@ 运算符和 np.dot 都能做矩阵乘，但优先用 @
Python 3.5+ 引入了 @ 作为矩阵乘法专用运算符，语义清晰、可读性高，且和 MATLAB / 数学表达习惯一致；而 np.dot 在一维数组上做内积、二维上做矩阵乘，行为不统一，容易误用。
常见错误现象：
- 用
np.dot(a, b)处理三维张量时逻辑混乱（它会做“batch 内积”，不是你想的批量矩阵乘） - 混用
*和@：*是逐元素乘（broadcasting），不是矩阵乘
示例对比：
import numpy as np a = np.array([[1, 2], [3, 4]]) b = np.array([[0, 1], [1, 0]]) print(a @ b) # ✅ 推荐：[[2 1] [4 3]] print(np.dot(a, b)) # ⚠️ 可用但冗余，同上 print(a * b) # ❌ 逐元素：[[0 2] [3 0]]
求逆、转置、特征值这些操作，注意输入必须是方阵且可逆
np.linalg.inv、np.linalg.eig 等函数只接受二维方阵（shape (n, n)）。传入非方阵会直接抛 LinAlgError: Last 2 dimensions of the array must be square；传入奇异矩阵（如全零、行列式为 0）则可能报 Singular matrix 或返回数值不稳定的结果。
实操建议：
- 调用前先检查：
if a.shape[0] == a.shape[1]:，再用np.linalg.matrix_rank(a) == a.shape[0]判断是否满秩 - 转置统一用
a.T（简洁安全），别用np.transpose(a)或a.transpose()—— 后两者在多维时行为不同，容易踩坑 - 解线性方程组优先用
np.linalg.solve(A, b)，比先算逆再乘np.linalg.inv(A) @ b更快更稳
广播机制让向量-矩阵运算变简单，但也容易隐式出错
NumPy 的广播（broadcasting）允许 (m, n) 矩阵和 (n,) 向量直接相加（如 A + v），自动将向量扩展为每行相同值。这很实用，但若维度没对齐，会静默失败或结果错位。
典型问题：
-
A + v中v是(m,)而非(n,)，结果变成按列加（而非按行），却不会报错 - 想对每列减去均值，写成
A - A.mean(axis=0)是对的；但若误写A - A.mean(axis=1)，就会因广播形状不匹配触发异常
建议始终显式控制广播方向：用 reshape(-1, 1) 强制列向量，或 [:, None]，比如：
v_col = A.mean(axis=0).reshape(-1, 1) # (n,) → (n, 1) centered = A - v_col # 安全地按列中心化
矩阵运算真正麻烦的地方不在公式本身，而在 shape 的隐式转换和广播的静默行为——多打一行 print(x.shape) 花不了两秒，但能省掉半小时调试。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
