>>> A.I                # A의 역행렬
matrix([[-4.63127975, 1.90409431],
        [ 4.87385971, -0.9422031 ]])
>>> linalg.det(A)      # A의 행렬식
-0.20338917932186817
>>> A.T                # A의 전치행렬
matrix([[0.19163392, 0.99129033],
        [0.38727218, 0.94195219]])

>>> np.add(A, D)       # A와 D의 합
matrix([[3.19163392, 4.38727218],
        [5.99129033, 6.94195219]])
>>> np.subtract(A, D)  # A와 D의 차
matrix([[-2.80836608, -3.61272782],
        [-4.00870967, -5.05804781]])
>>> np.divide(A, D)    # A 나누기 D
matrix([[0.06387797, 0.09681804],
        [0.19825807, 0.15699203]])

>>> print(D@B)                   # D와 B의 행렬곱을 @로 계산
[[1.77196455 0.98728987]
 [2.78505526 1.52286312]]
>>> print(np.dot(D, B))          # D와 B의 행렬곱을 numpy의 dot 함수로도 게산할 수 있다
[[1.77196455 0.98728987]
 [2.78505526 1.52286312]]
>>> print(np.multiply(D, B))     # 행렬 D와 B에 대해서, 행렬곱이 아닌 대응되는 원소끼리의 단순 곱셈 수행
[[0.76265056 0.3354265 ]
 [1.26164249 1.10357999]]
>>> G = np.mat(np.identity(2))   # 2×2 항등행렬
>>> G
matrix([[1., 0.],
        [0., 1.]])