编写程序，实现如下功能： （1）利用Numpy随机数模块创建两个数组或矩阵 （2）计算两个数组的基本运算，包括加、减、乘、除、幂、点积等 以某一个矩阵为例，完成其线性代数运算，包括逆矩阵、广义逆矩阵、行列式、特征值、特征向量级奇异值分解、范数等。

要使用Numpy实现这些功能，首先确保已经安装了numpy库。如果没有，可以通过pip安装：

pip install numpy

接下来，我们将一步步实现所需的功能。

**1. 创建数组或矩阵**

我们可以使用`numpy.random`模块生成随机数并创建数组或矩阵。例如，创建两个形状相同的随机数组：

import numpy as np

# 创建大小为 (5, 5) 的随机浮点数矩阵
array_1 = np.random.rand(5, 5)
array_2 = np.random.rand(5, 5)

**2. 基本运算**

对于基本运算，你可以直接对数组进行操作：

# 加法
addition = array_1 + array_2

# 减法
subtraction = array_1 - array_2

# 乘法
multiplication = array_1 * array_2

# 除法（元素wise除法）
if np.all(array_2 != 0):  # 避免除零错误
    division = array_1 / array_2
else:
    division = np.nan_to_num(array_1 / array_2)  # 使用NaN替换除零结果

# 幂运算
exponentiation = array_1 ** array_2

# 点积（内积）
dot_product = np.dot(array_1, array_2.T)  # 注意矩阵转置

**3. 线性代数运算**

- **逆矩阵**：`np.linalg.inv()`
- **广义逆矩阵**：`np.linalg.pinv()`
- **行列式**：`np.linalg.det()`
- **特征值和特征向量**：`np.linalg.eigvals()` 和 `np.linalg.eig()`
- **奇异值分解（SVD）**：`np.linalg.svd()`
- **范数**：`np.linalg.norm()`

示例：

from numpy.linalg import inv, pinv, det, eigvals, eig, svd, norm

# 计算逆矩阵
inverse = inv(array_1)

# 广义逆矩阵，假设矩阵可逆
general_inverse = pinv(array_1)

# 行列式
determinant = det(array_1)

# 特征值和特征向量（返回的是方阵的实数特征值和对应的右特征向量）
eigenvalues, right_eigenvectors = eig(array_1)

# 对角化后得到的矩阵
diagonalized_matrix = np.diag(eigenvalues)

# 奇异值分解
u, s, vh = svd(array_1)

# 欧几里得范数
euclidean_norm = norm(array_1, 2)

**相关问题--:**
1. Numpy中的哪些函数用于矩阵运算？
2. 如何避免在除法运算时出现除零错误？
3. SVD（奇异值分解）有哪些应用场景？
4. 什么情况下矩阵会有非平凡的广义逆？