numpy 库在 Python 中用于数值计算，特别是在处理数组和矩阵时非常高效。numpy 提供了两种主要的数据结构来表示矩阵：numpy.matrix 和 numpy.ndarray。尽管这两种方法都可以用来表示和操作矩阵，但它们在某些方面有着显著的差异。

（1）numpy.matrix

numpy.matrix 是专门用于线性代数计算的一个类。在 numpy.matrix 对象中，默认乘法星号（*）用于矩阵乘法。numpy.matrix 对象有特定的方法和属性，用于处理线性代数问题，例如 .I（求逆）和 .H（求共轭转置）。

例如：

import numpy as npA = np.matrix([[1, 2], [3, 4]])B = np.matrix([[2, 0], [1, 2]])# 矩阵乘法C = A * B

（2）numpy.ndarray

numpy.ndarray 是一个更通用的数组类，可以表示向量、矩阵或更高维度的张量。在 numpy.ndarray 对象中，星号（*）用于元素级乘法（Hadamard 乘法），而不是矩阵乘法。矩阵乘法可以通过 numpy.dot() 或者 @ 运算符来进行。

例如：

A = np.array([[1, 2], [3, 4]])B = np.array([[2, 0], [1, 2]])# Hadamard 乘法C = A * B# 矩阵乘法D = np.dot(A, B)# 或者D = A @ B

（3）为什么大多数情况下使用 numpy.ndarray？

1、通用性：numpy.ndarray 可以表示任何维度的数组，因此在处理不仅限于二维矩阵的问题时更加灵活。

2、性能：numpy.ndarray 对象一般而言更高效，因为它没有 numpy.matrix 中专门用于矩阵操作的额外元数据和方法。

3、社群共识：多数情况下，Python 社群和多数数据科学、机器学习库都倾向于使用 numpy.ndarray。

4、清晰度：使用 numpy.ndarray 和显式地调用线性代数操作（如 np.dot）通常会让代码更加易于理解，因为它不依赖于特定数据结构的运算符重载。

因此，尽管 numpy.matrix 在某些特定应用中可能更加直观或方便，但 numpy.ndarray 由于其灵活性和广泛的社群支持，通常是更好的选择。