Matrix（矩阵）是 n-D array（多维数组）在二维（n = 2）情况下的特例。

如果把所有维度的数据结构按层级排列，它们的包含关系如下：

1. 维度层级关系（从低到高）

• 0-D array：标量（Scalar），也就是单个数字（如 5）。
• 1-D array：一维数组 / 向量（Vector），只有长度（如 [1, 2, 3]）。
• 2-D array：二维数组 / 矩阵（Matrix），有行和列两个维度（如 3 × 4 的表格）。
• 3-D 及以上 array：高维数组 / 张量（Tensor）。比如一张彩色图片（高 × 宽 × RGB三通道）就是一个 3-D array，它已经不能叫 Matrix 了。

2. 为什么不能完全把 Matrix 叫成 n-D array？

除了“维度限制（n 必须等于 2）”之外，在科学计算库（如 Python 的 NumPy）中，两者在运算规则上也有本质区别：

• Matrix（矩阵）：严格遵守线性代数规则。例如两个 Matrix 相乘（A * B），执行的是数学上的矩阵乘法（行乘以列），要求前者的列数必须等于后者的行数。
• n-D array（如 NumPy 的 ndarray）：遵循逐元素（Element-wise）广播规则。两个相同形状的 2-D ndarray 相乘（A * B），默认是对应位置的元素直接相乘，甚至支持不同维度之间的自动广播（Broadcasting）。

(注：正因为 2-D ndarray 既能装下矩阵数据，又能灵活兼容更高维度的张量运算，NumPy 官方目前已经逐步废弃了专门的 np.matrix 类，推荐统一使用 2-D 的 ndarray 并配合 @ 符号进行矩阵乘法。)

3. 总结对照表

概念名称	维度限制 (n)	典型代表	核心特点
Matrix（矩阵）	严格等于 2（只有行和列）	数学矩阵、二维网格	具备严格的线性代数意义（转置、求逆、行列式）
n-D array（多维数组）	任意正整数（1D, 2D, 3D…）	NumPy ndarray、Java 多维数组	通用的多维数据容器，支持高维切片与逐元素广播运算
Tensor（张量）	任意非负整数（含 0D 标量）	PyTorch Tensor、TensorFlow	深度学习中的核心概念，本质上是支持 GPU 加速与自动求导的 n-D array

D 是英文 Dimensional（维度的）或 Dimension（维度）的缩写。

因此，n-D array 的全称就是 N-Dimensional Array，中文翻译为“N 维数组”或“多维数组”。

常见延伸缩写对照

• 1D (1-Dimensional)：一维（只有一条线/长度，如普通列表 [1, 2, 3]）。
• 2D (2-Dimensional)：二维（有长和宽/行和列，如表格、平面图像、Matrix 矩阵）。
• 3D (3-Dimensional)：三维（有长、宽、高，如立体模型、彩色图片 高 × 宽 × RGB通道）。
• nD / ndarray：N 维（任意维度，Python 科学计算库 NumPy 中的核心对象 numpy.ndarray 就是 N-dimensional array 的直接缩写）。

维度判断小技巧

在编程语言（如 Python 或 Java）中，判断一个数组是几维（即 D 前面的数字是多少），只需看定位里面某一个具体元素需要几个索引下标（或者看嵌套了几层中括号 []）：
* arr[0] → 需要 1 个下标，就是 1D。
* arr[0][1] → 需要 2 个下标，就是 2D。
* arr[0][1][2] → 需要 3 个下标，就是 3D。

Matrix and Table

在视觉形态上，Matrix（矩阵）和数据库的 Table（数据表）确实都是“由行和列组成的二维网格”，但它们在本质设计、数据类型、顺序敏感性以及运算逻辑上有着根本的区别。

可以这样理解：Matrix 是“纯粹的数学计算网格”，而 Table 是“带业务语义的关系型记录集合”。

1. 五大核心差异拆解

• 数据类型要求（同构 vs 异构）
  • Matrix（严格同构）：矩阵里的每一个格子必须是完全相同的数据类型（通常全都是浮点数 float 或整数 int），这样才能进行整体的矩阵乘法或求逆运算。
  • Table（允许异构）：数据表的不同列可以是完全不同的类型。例如第 1 列是整数（员工 ID），第 2 列是字符串（姓名），第 3 列是日期（入职时间），第 4 列是浮点数（薪资）。
• 行列的语义与对称性
  • Matrix（行列地位平等）：矩阵的行和列在数学上是完全对称的，你可以随时对矩阵进行转置（Transpose），把行变成列、列变成行，依然是一个合法的矩阵。
  • Table（行与列语义严格区分）：在数据库中，一行（Row/Record）代表一个完整的业务实体（如一个用户），一列（Column/Field）代表实体的某一个属性（如年龄）。你绝不能随随便便把一张用户表“转置”，否则会把“张三”和“25岁”混在同一列里，导致数据类型崩溃。
• 顺序敏感性（有序位置 vs 无序集合）
  • Matrix（位置决定一切）：矩阵中的元素严格依赖 (行号, 列号) 坐标。交换矩阵的第 1 行和第 2 行，就变成了一个完全不同的新矩阵。
  • Table（集合无序性）：根据关系型数据库理论，表本质上是一个无序的集合。如果不加 ORDER BY，数据库返回行的顺序是不固定的；交换两行记录在表里的存储位置，完全不改变这张表的业务含义。
• 列名与索引方式
  • Matrix：通过纯数字下标（如 M[0][1]）定位元素，行和列本身没有业务名称。
  • Table：通过字段名（Column Name）和主键（Primary Key）定位数据（如 WHERE user_id = 1001 查 email 列）。
• 缺失值（Null）的处理
  • Matrix：标准数学矩阵不允许存在“空洞”，每个位置必须有明确的数值（否则需要引入前面聊过的 MaskedArray 来特殊处理）。
  • Table：原生支持 NULL，表示某个实体的某项属性未知或暂未填写。

2. 总结对比表

对比维度	Matrix（数学矩阵）	Database Table（数据库表）
数据类型	同构（所有元素必须为同一种数值类型）	异构（每列可独立定义字符串、数字、日期等不同类型）
行列地位	对称，可随时转置（行列互换）	严格不对称（行=实体记录，列=属性字段），不可直接转置
顺序敏感度	高度敏感（交换两行或两列会改变矩阵本身）	无序集合（行顺序不影响数据含义，靠主键与条件查询）
寻址方式	数字坐标索引 (i, j)	字段名 + 主键/过滤条件
核心操作	矩阵乘法、求逆、特征值分解、线性变换	增删改查（CRUD）、关联（JOIN）、分组聚合（GROUP BY）

3. 两者在现代技术中的交汇点：DataFrame

在 Python（Pandas）或大数据（Spark）中，有一个介于 Matrix 和 Table 之间的著名数据结构叫 DataFrame。它既像数据库 Table 一样支持异构列和字段名，又像 Matrix 一样支持高效的向量化数值计算；当把 DataFrame 里的纯数值列提取出来（如 df.values）送入机器学习模型时，它就正式从“数据库表”转化为了“数学矩阵”。