不知道实例，实际应用，感觉也没有什么价值

np.linalg.det(matrix)：矩阵求行列式（标量）

这个用法不用深究，只需要知道有这个函数即可，知道这个函数是用来做什么的就可以了

array([[1,2,3]])是指1行3列的二维矩阵

array([[1,2,3]])是一行三列的二维矩阵

好的谢谢。array([[1,2,3]])是指1行1列还是？

matrix = np.array([[1,2,3],[4,5,6],[7,8,9]])之所以在数组外面嵌套一个中括号这是生成一个二维数组，不加会报错，报错原因为：array函数仅接受2个非关键字参数

matrix = np.array([[1,2,3],[4,5,6],[7,8,9]])这个就是生成了三行三列的二维矩阵

你的理解没错

w,v = numpy.linalg.eig(a) 表示计算方形矩阵a的特征值和右特征向量

返回：

w: 多个特征值组成的一个矢量。备注：多个特征值并没有按特定的次序排列。特征值中可能包含复数。

v: 多个特征向量组成的一个矩阵。每一个特征向量都被归一化了。第i列的特征向量v[:,i]对应第i个特征值w[i]。

示例：

n阶方阵A,行列式|λE-A| [E是n阶单位矩阵，λ是变量。这是λ的n次多项式，首

项系数是1] 叫做A的特征多项式，[f（λ）＝|λE-A|].f（λ）＝0的根（n

个），都叫A的特征值。

如果λ0是A的一个特征值，|λ0E-A|＝0，（λ0E-A）为降秩矩阵，线性方程组

（λ0E-A）X＝0 [X＝（x1,x2,……xn）′是未知的n维列向量] 必有非零解，

每个非零解就叫矩阵A的关于特征值λ0的一个特征向量。

可以相像为一张表中的列叫特征，每一行的一个特征向量 。比如我们对用户做风险识别时，用户的一些行为就是特征（最近访问次数、停留时长等），多个特征可以组成一组特征向量。

完美先生

立马立马

有一

利益吗

哟哟哟哟

做啥呢

有同感呀

以后更有好感

不理我

你在做啥呢

又来了