编写python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 （3）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。

在Python中，我们可以使用`numpy`库来实现这些功能。首先，确保已安装了`numpy`，如果还没有，可以使用`pip install numpy`命令安装。

以下是实现所需功能的步骤：

1. **创建数组和矩阵**:

import numpy as np

# 创建随机整型数组
array1 = np.random.randint(0, 10, (5, 5))  # 5x5的二维数组
array2 = np.random.randint(0, 10, (5, 5))

# 创建随机浮点型矩阵
matrix = np.random.rand(3, 4)  # 3x4的矩阵

2. **基本运算**:

# 加法
addition = array1 + array2

# 减法
subtraction = array1 - array2

# 乘法
multiplication = array1 * array2

# 除法（注意数组除以数组会元素对元素相除）
division = array1 / array2  # 结果可能是浮点数

# 幂运算
exponentiation = array1 ** 2  # 每个元素自乘

# 点积（内积）
dot_product = np.dot(array1, array2)

3. **线性代数运算**:

from scipy.linalg import inv, pinv, det, eigvals, eigenvectors, svd, norm

# 逆矩阵
inverse_matrix = inv(matrix)

# 广义逆矩阵（当矩阵不是满秩时）
pseudo_inverse = pinv(matrix)

# 行列式
determinant = det(matrix)

# 特征值和特征向量
eigenvalues, eigenvectors = eigvals(matrix), eigenvectors(matrix)

# 奇异值分解（SVD）
u, s, vh = svd(matrix)

# 范数（L2范数）
norm_value = norm(matrix, 'fro')  # Frobenius范数

以上就是使用`numpy`和`scipy.linalg`模块在Python中实现所需的数学运算和线性代数操作的示例。如果你有其他特定的矩阵或需求，可以根据上述代码进行调整。