迭代矩阵通常用于求解线性方程组，其基本形式是将原方程组`Ax = b`改写为迭代形式`x = Bx + f`，其中`B`是迭代矩阵，`f`是常数项向量。迭代矩阵的求法依赖于所使用的迭代方法，常见的迭代方法包括雅克比（Jacobi）迭代和高斯-赛德尔（Gauss-Seidel）迭代等。
雅克比迭代矩阵
雅克比迭代矩阵的公式为：
```
J = D^（-1）（L + U）
```
其中`D`是对角矩阵，包含系数矩阵`A`的对角线元素，`L`是下三角矩阵，包含`A`的下三角元素，`U`是上三角矩阵，包含`A`的上三角元素。`D^（-1）`是`D`的逆矩阵。
高斯-赛德尔迭代矩阵
高斯-赛德尔迭代矩阵的公式为：
```
B_GS = D^（-1）（D - L）
```
其中`D`是对角矩阵，包含系数矩阵`A`的对角线元素，`L`是下三角矩阵，包含`A`的下三角元素。`D^（-1）`是`D`的逆矩阵。
示例
假设我们有一个2x2的系数矩阵`A`，我们可以按照上述公式计算出对应的迭代矩阵。例如：
```python
import numpy as np
2x2系数矩阵A
A = np.array（[[4, -1], [1, 4]]）
计算对角矩阵D
D = np.diag（np.diag（A））
计算下三角矩阵L和上三角矩阵U
L = -np.array（np.tril（A, -1））
U = -np.array（np.triu（A, 1））
计算D的逆
D_inv = np.linalg.inv（D）
计算雅克比迭代矩阵J
J = D_inv @ （L + U）
```
以上代码将计算出给定2x2矩阵`A`的雅克比迭代矩阵`J`。
注意
在实际应用中，可能需要根据具体的迭代方法调整迭代矩阵的计算方式。
对于大规模问题，可能需要使用更高效的算法和库，如SciPy中的迭代求解器。