想必大家都学习过线性代数这门课程，也被其中的矩阵运算弄得茶饭不思，苦不堪言，今天就带着大家用python解决矩阵运算的大难题！！！
一，矩阵的创建
在python中，numpy是一个非常强大的包，我们通常使用它来解决矩阵的相关问题，使用numpy创建矩阵有以下几种方法
首先是导入numpy包，这是我们开始的基础，不要忘记了。
import numpy as np
1.使用numpy库的matrix直接创建
2.使用numpy库的array来创建矩阵
3.使用reshape()来改变数组的形状
二，特殊矩阵的创建
刚刚介绍了一般矩阵的创建方法，可是我们有时候会用到一些特殊的矩阵，下面将给大家
介绍一些特殊矩阵的创建方法，一起来看看吧！
1.使用np.zeros()可以生成全是0的矩阵
2.使用np.ones可以生成全是1的矩阵
3.使用np.identity可以生成单位矩阵
4.使用np.diag可以生成对角矩阵
三.numpy中的random随机函数的使用
1. np.random.rand(d0,d1,…,dn)
根据给定维度生成[0,1)之间的数据，这些数据包含0，不包含1，其中dn表示每个维度，返回值为指定维度的array。
2. numpy.random.randn(d0,d1,…,dn)
randn函数返回一个或一组样本，具有标准正态分布。dn表示每个维度,返回值为指定维度的array。
3. np.random.normal(loc=0.0, scale=1.0, size=None)
生成一个均值为loc（float），方差为scale（float）的服从高斯分布的概率密度随机数。
生成服从正态分布随机数的矩阵
四.矩阵的运算
前面讲了那么多矩阵的知识，就是为下面解决矩阵运算做的准备。让我们一起来解决吧！！！
1.矩阵的加减法
首先生成两个矩阵
矩阵加法和传统上的加法一样，对应位置相加。
矩阵减法也是一样的操作
2.矩阵乘法
还是使用上面创建的两个矩阵m1和m2，下面我用三种方法来实现两个矩阵相乘
3.矩阵转置
还是使用上面创建的两个矩阵m1和m2。矩阵转置也有三种方法。
第一个是 .T 的方法
第二个和第三个原理一样
4.矩阵求逆
使用前面的m1矩阵 m1 = np.matrix([[1,2,3],[4,5,6],[7,8,9]])
第一种是用 .I 的方法
第二种是使用numpy中的linalg.inv() 方法
5.矩阵求特征值和特征向量 np.linalg.eig()
求 m1 = np.matrix([[1,2,3],[4,5,6],[7,8,9]]) 的特征值和特征向量
6.矩阵的迹。即对角线元素之和
7.求行列式的值 np.linalg.det()
8.矩阵形式的线性方程的解 np.linalg.solve(x,y)
解方程组： 3 * x0 + x1 = 9 ， x0 + 2 * x1 = 8
五.学以致用
求解多元回归方程参数的最小二乘估计
忘记理论推导的可以看这里 https://baike.baidu.com/item/最小二乘法/2522346?fr=aladdin
首先给出两个矩阵X,Y，其中X是10行3列的矩阵，Y是10行1列的矩阵。
所以待估参数的计算就很简单了
或者这样也可以
好了，矩阵的相关计算知识就到这里了!
Happy Ending！