Python使用NumPy包完成了對N-維陣列的快速便捷操作。使用這個包，需要匯入numpy。SciPy包以NumPy包為基礎，大大的擴充套件了numpy的能力。為了使用的方便，scipy包在最外層名字空間中包括了所有的numpy內容，因此只要匯入了scipy，不必在單獨匯入numpy了！但是為了明確哪些是numpy中實現的，哪些是scipy中實現的，本文還是進行了區分。以下預設已經：import numpy as np 以及 impor scipy as sp

下面簡要介紹Python和MATLAB處理數學問題的幾個不同點。1.MATLAB的基本是矩陣，而numpy的基本型別是多為陣列，把matrix看做是array的子類。2.MATLAB的索引從1開始，而numpy從0開始。

1.建立矩陣

a1=np.array([1,2,3],dtype=int)   #建立一個一維陣列，資料型別是int。也可以不指定資料型別，使用預設。幾乎所有的陣列建立函式都可以指定資料型別，即dtype的取值。
a2=np.array([[1,2,3],[2,3,4]])   #建立一個二維陣列。此處和MATLAB的二維陣列（矩陣）的建立有很大差別。
同樣，numpy中也有很多內建的特殊矩陣：
b1=np.zeros((2,3))    #生成一個2行3列的全0矩陣。注意，引數是一個tuple：(2,3)，所以有兩個括號。完整的形式為：zeros(shape,dtype=)。相同的結構，有ones()建立全1矩陣。empty()建立一個空矩陣，使用記憶體中的隨機值來填充這個矩陣。
 

b2=identity(n)   #建立n*n的單位陣，這隻能是一個方陣。
b3=eye(N,M=None,k=0)    #建立一個對角線是1其餘值為0的矩陣，用k指定對角線的位置。M預設None。
此外，numpy中還提供了幾個like函式，即按照某一個已知的陣列的規模（幾行幾列）建立同樣規模的特殊陣列。這樣的函式有zeros_like()、empty_like()、ones_like()，它們的引數均為如此形式：zeros_like(a,dtype=)，其中，a是一個已知的陣列。
c1=np.arange(2,3,0.1)   #起點，終點，步長值。含起點值，不含終點值。
c2=np.linspace(1
 
,4,10)    #起點，終點，區間內點數。起點終點均包括在內。同理，有logspace()函式
d1=np.linalg.companion(a)    #伴隨矩陣
d2=np.linalg.triu()/tril()   #作用同MATLAB中的同名函式
e1=np.random.rand(3,2)    #產生一個3行2列的隨機陣列。同一空間下，有randn()/randint()等多個隨機函式
fliplr()/flipud()/rot90()    #功能類似MATLAB同名函式。
xx=np.roll(x,2)   #roll()是迴圈移位函式。此呼叫表示向右迴圈移動2位。

2.陣列的特徵資訊

先假設已經存在一個N維陣列X了，那麼可以得到X的一些屬性，這些屬性可以在輸入X和一個.之後，按tab鍵檢視提示。這裡明顯看到了Python面向物件的特徵。

X.flags    #陣列的儲存情況資訊。
X.shape    #結果是一個tuple，返回本陣列的行數、列數、……
X.ndim   #陣列的維數，結果是一個數
X.size    #陣列中元素的數量
X.itemsize    #陣列中的資料項的所佔記憶體空間大小
X.dtype    #資料型別
X.T   #如果X是矩陣，發揮的是X的轉置矩陣
X.trace()    #計算X的跡
np.linalg.det(a)   #返回的是矩陣a的行列式
np.linalg.norm(a,ord=None)    #計算矩陣a的範數
np.linalg.eig(a)    #矩陣a的特徵值和特徵向量
np.linalg.cond(a,p=None)    #矩陣a的條件數
np.linalg.inv(a)    #矩陣a的逆矩陣

3.矩陣分解

常見的矩陣分解函式，numpy.linalg均已經提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些演算法為了方便計算或者針對不同的特殊情況，還給出了多種呼叫形式，以便得到最佳結果。

4.矩陣運算

np.dot(a,b)用來計算陣列的點積；vdot(a,b)專門計算向量的點積，和dot()的區別在於對complex資料型別的處理不一樣；innner(a,b)用來計算內積；outer(a,b)計算外積。
專門處理矩陣的數學函式在numpy的子包linalg中定義。比如np.linalg.logm(A)計算矩陣A的對數。可見，這個處理和MATLAB是類似的，使用一個m字尾表示是矩陣的運算。在這個空間內可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常規exp()對應有三種矩陣形式：expm()使用Pade近似演算法、expm2()使用特徵值分析演算法、expm3()使用泰勒級數演算法。在numpy中，也有一個計算矩陣的函式：funm(A,func)。

5.索引

numpy中的陣列索引形式和Python是一致的。如：
x=np.arange(10)
print x[2]    #單個元素，從前往後正向索引。注意下標是從0開始的。
print x[-2]    #從後往前索引。最後一個元素的下標是-1
print x[2:5]    #多個元素，左閉右開，預設步長值是1
print x[:-7]    #多個元素，從後向前，制定了結束的位置，使用預設步長值
print x[1:7:2]   #指定步長值
x.shape=(2,5)    #x的shape屬性被重新賦值，要求就是元素個數不變。2*5=10
print x[1,3]    #二維陣列索引單個元素，第2行第4列的那個元素
print x[0]   #第一行所有的元素
y=np.arange(35).reshape(5,7)    #reshape()函式用於改變陣列的維度
print y[1:5:2,::2]    #選擇二維陣列中的某些符合條件的元素