numpy.matlib创建随机矩阵与rand函数参数实例详解

脚本专家

numpy.matlib 是 NumPy 中专门面向矩阵对象的工具模块，它返回的是 numpy.matrix 类型，而不是 NumPy 默认的 ndarray。matrix 只表示二维结构，行数和列数固定，做线性代数运算时语义更直观；ndarray 支持 n 维数据，默认按元素级运算。两者的数据可以互转，但适用场景不同。

一、矩阵转置：T 属性与 transpose
转置会把 m 行 n 列变成 n 行 m 列，也就是行列互换。matrix 和 ndarray 都可以直接使用 T 属性，语法短，日常更推荐；numpy.transpose() 则是通用转置函数，适合多维数组。

2. import numpy as np
4. a = np.arange(12).reshape(3, 4)
5. print('原数组（3行4列）：')
6. print(a)
7. print('转置数组（4行3列）：')
8. print(a.T)

复制代码

原数组第 1 行 0,1,2,3 会变成转置数组第 1 列，第 2 行、第 3 行依次变成第 2 列、第 3 列。

二、numpy.matlib 常用矩阵构造函数
matlib 里的构造函数大多接收 shape、dtype、order 这几个参数。shape 必传，整数表示方阵，元组表示行列；dtype 控制元素类型，未指定时通常按 float64 处理；order 控制内存顺序，C 为行优先，F 为列优先。

1. matlib.empty()：创建未初始化矩阵
语法：

2. numpy.matlib.empty(shape, dtype=None, order='C')

复制代码

empty 只分配矩阵空间，不初始化元素，所以读到的值是随机垃圾值，取决于内存当前状态。它适合先占位、后续再手动赋值的场景，不要在赋值前依赖其中数值。

2. import numpy.matlib
3. import numpy as np
5. empty_mat = np.matlib.empty((2, 2))
6. print('未初始化矩阵：')
7. print(empty_mat)

复制代码

输出每次运行可能不同，可能类似极小浮点数或任意残留值。

2. matlib.zeros() 与 matlib.ones()
zeros 构造全 0 矩阵，ones 构造全 1 矩阵，参数形式与 empty 一致。它们适合需要空白基底、累加计数、统一初始值或掩码基础的场景。

2. zeros_mat = np.matlib.zeros((2, 2))
3. ones_mat = np.matlib.ones((2, 2))
4. print('全0矩阵：')
5. print(zeros_mat)
6. print('全1矩阵：')
7. print(ones_mat)

复制代码

输出分别为 2 行 2 列全 0 和全 1。

3. matlib.eye()：创建对角为 1 的矩阵，可非方阵
语法：

2. numpy.matlib.eye(n, M=None, k=0, dtype=float)

复制代码

n 是行数，必传；M 是列数，若为 None 则等于 n，也就是方阵；k 是对角线偏移，k=0 是主对角线，k=1 在主对角线上方，k=-1 在主对角线下方；dtype 默认 float。

2. eye_mat = np.matlib.eye(n=3, M=4, k=0, dtype=float)
3. print('3行4列对角为1的矩阵：')
4. print(eye_mat)

复制代码

结果中 (0,0)、(1,1)、(2,2) 位置为 1，其余为 0，因此 eye 可以创建非方阵。

4. matlib.identity()：创建单位矩阵，必为方阵
语法：

2. numpy.matlib.identity(n, dtype=float)

复制代码

n 是矩阵阶数，行数等于列数；dtype 默认 float。单位矩阵是线性代数中的单位元，A×I=A。

2. identity_mat = np.matlib.identity(5, dtype=float)
3. print('5阶单位矩阵：')
4. print(identity_mat)

复制代码

identity 与 eye 的区别在于：identity 只能生成方阵，eye 可通过 M 参数生成行数不等于列数的矩阵。

5. matlib.rand()：创建随机矩阵
语法：

2. numpy.matlib.rand(*args)

复制代码

args 直接传入行数和列数，例如 rand(3, 3) 表示 3 行 3 列。矩阵元素是 [0,1) 区间均匀分布的随机数，常用于随机初始化，例如机器学习里的权重初始值。

2. rand_mat = np.matlib.rand(3, 3)
3. print('3行3列随机矩阵：')
4. print(rand_mat)

复制代码

每次运行结果不同，元素都在 0 到 1 之间，包含 0 但不包含 1。

三、matrix 与 ndarray 的互换
矩阵和 ndarray 类型不同，但数据内容可以通过 np.asarray() 和 np.asmatrix() 转换。matrix 转 ndarray 用 np.asarray(矩阵)；ndarray 转 matrix 用 np.asmatrix(ndarray)。

2. import numpy.matlib
3. import numpy as np
5. mat = np.matrix('1,2;3,4')
6. print('原矩阵类型：', type(mat))
7. arr = np.asarray(mat)
8. print('转换后类型：', type(arr))
10. arr2 = np.array([[1, 2], [3, 4]])
11. mat2 = np.asmatrix(arr2)
12. print('转换后矩阵类型：', type(mat2))

复制代码

转换后数据保持一致。需要注意：矩阵本质是二维对象，所以只有二维 ndarray 才能稳定转换为 matrix，高维 ndarray 转换会报错。

四、适用场景与选择建议
numpy.matlib 的核心价值是简化二维矩阵构造和线性代数运算。它的典型场景包括：线性代数计算，如矩阵乘法、求逆、行列式；结构化二维数据处理，如表格数据、图像像素块；需要与传统矩阵理论保持一致的代码。matrix 中 mat1 * mat2 直接表示矩阵乘法，而 ndarray 通常要用 np.dot() 或 @ 运算符。

如果数据超过二维，例如视频帧、立体图像或批量样本，优先使用 ndarray；如果只是二维线性代数操作，并且希望代码更贴近矩阵语义，可以使用 numpy.matlib 和 matrix。

热心网友2

感谢楼主分享，整理得很系统。之前我对 matlib.empty 和 zeros 的区别没太在意，看了之后清楚了：empty 只是分配空间，读到的是内存残留值，不能直接依赖。eye 和 identity 的区别也讲得很直观，identity 只能生成方阵，eye 可以通过 M 和 k 做非方阵、偏移对角线。rand 生成 [0,1) 均匀分布随机矩阵这点也很实用，随机初始化权重时正好能用。 关于 matrix 和 ndarray 的互换，np.asarray 和 np.asmatrix 的用法我记下了，尤其高维 ndarray 转 matrix 会报错这个提醒很重要。个人感觉二维线代用 matrix 语义确实直观，但一旦超过二维就还是 ndarray 更合适。 想请教一下，order='C' 和 order='F' 在 matlib 构造矩阵时，后续做转置或矩阵乘法会有明显差异吗？还是主要影响内存布局？

热心网友2

看完收获挺大，特别是把 matlib 和 ndarray 的定位讲清楚了。我之前对 eye 和 identity 的区别有点模糊，现在知道 eye 可以通过 M 生成非方阵，identity 只能方阵；rand 生成 [0,1) 均匀随机矩阵也很适合做初始化。empty 那里提醒得好，未初始化不能直接依赖数值。日常如果只做二维线性代数，matrix 的乘法写法确实更贴近矩阵语义，但数据超过二维还是用 ndarray 更稳。想再请教一下，order 的 C 和 F 在实际构造矩阵时除了内存顺序，后面做转置或乘法时会不会有明显性能差异？

热心网友3

感谢分享，整理得很清楚，尤其是 matrix 和 ndarray 在维度、运算语义上的区别，对刚接触 numpy.matlib 的人挺有帮助。matlib.empty 只分配空间、不初始化这点确实要特别注意，不然很容易被随机垃圾值坑到。eye 和 identity 的区别也总结得很直观：一个可以通过 M、k 灵活生成非方阵和偏移对角线，另一个只能生成方阵。rand 生成 [0,1) 均匀分布随机矩阵，用在简单随机初始化上很方便。后面 matrix 与 ndarray 互转以及高维 ndarray 转换限制的提醒也很实用。整体看下来，二维线性代数场景用 matrix 语义更贴近，超过二维还是 ndarray 更合适。收藏了，感谢。