NumPy（Numerical Python）是Python科学计算的基础包，极大地简化了向量和矩阵的操作处理。
1 创建Numpy对象
Numpy最重要的就是其N NN维数组对象ndarray，它是一个通用的同构数据多维容器，其中的所有元素必须是相同类型。每个数组都有一个shape（表示各维度大小）和一个dtype（表示数据数据类型）。
（1） np.array
使用 np.array创建 NumPy 数组，它接受一切序列型的对象，如python列表等。
嵌套序列（等长列表组成的列表）将会被转换为一个多维数组。
更多维度：
import numpy as np data1 = [1,2,3,4,5] arr1 = np.array(data1) data2 = [[1,2,3,4],[5,6,7,8]] arr2 = np.array(data2) print(data1) print(data2)
（2）其他创建函数
arange：相当于内置的range，返回一个ndarray对象，常与reshape搭配产生给定形状数组。
ones：根据指定形状和dtype创建一个全1数组/ones_like以另一个数组为参数，根据其形状和dtype创建一个全1数组
zeros：与 ones产生全0数组
empty：创建新数组，只分配内存空间不填充任何值
eye/identify：创建一个N × N 单位矩阵
numpy.random对Python内置的random进行了补充，增加了一些用于高效生产多种概率分布的样本值的函数
random(size=None)：产生[ 0 , 1 )上随机值
rand(d0, d1, ..., dn)：产生[ 0 , 1 )上均匀分布的样本值
randint(low, high=None, size=None, dtype='l')：给定的上下限范围内随机选取整数
randn(d0, d1, ..., dn)：产生正态分布（平均值为0，标准差为1）的样本值
binomial(n, p, size=None)：产生二项分布的样本值
normal(loc=0.0, scale=1.0, size=None)：产生正态（高斯）分布的样本值
beta(a, b, size=None)：产生Beta分布的样本值
chisquare(df, size=None)：产生卡方分布的样本值
gamma(shape, scale=1.0, size=None)：产生Gamma分布的样本值
uniform(low=0.0, high=1.0, size=None)：产生[ l o w , h i g h )上长均匀分布的样本值
When you print a 3-dimensional NumPy array, the text output visualizes the array differently than shown here. NumPy’s order for printing n-dimensional arrays is that the last axis is looped over the fastest, while the first is the slowest.
np.arange(6) np.arange(6).reshape(2,3) np.ones((3,2)) np.zeros((3,2)) np.empty((3,2)) np.eye(5)
np.random.random((3,2)) np.random.rand(2,3) np.random.randint(1,10,size=(2,3)) np.random.randn(2,3) np.random.uniform(5,10,size=(2,3))
2 索引与切片
Numpy数组的索引和切片与Python列表功能差不多，跟列表的重要区别在于，数组切片是原始数组的试图，数据不会被复制，视图上的任何修改都会直接反应到源数组上。
（1）基本索引与切片
数组的索引与切片
矩阵的索引与切片
（2）布尔型索引
对于数组names，假设每个名字对应data数组的一行，选出名字为’Bob’的所有行：对names数组和字符串’Bob’的比较运算将会产生一个布尔型数组，这个数组可用于数组索引（该数组长度必须与被索引轴的长度一致）。
names = np.array(['Bob','Joe','Will','Will','Alice','Joe','Bob']) names=='Bob' names[names=='Bob'] names[names!='Bob']
（3） 花式索引
花式索引（Fancy indexing）是一个Numpy术语，指的是利用整数数组进行索引，以特定顺序选取行子集或列子集。
arr = np.arange(20).reshape(5,4) arr[[2,0,3]] #按顺序分别选取第2、0、3行 arr[:,[1,2]] #按顺序分别选取第2、3列
3 数学运算
（1）数组运算
Numpy数组运算使得不用编写循环即可对数据执行批量运算，通常称为矢量化（Vectorization）
不同大小数组之间的运算称为广播（broadcasting），如以下向量与标量直接的运算
（2）矩阵运算
算数运算
点积运算
计算过程如下：
numpy.linalg中有一组标准的矩阵分解、求逆和行列式的方法，与Matlab和R语言使用的是相同的行业标准级Fortran库，主要如下：
diag：以一维数组的形式返回方阵对角线（或非对角线）元素，或将一维数组转换为方阵（非对角线元素为0）
dot：矩阵乘法
trace：对角线元素的和
det：矩阵行列式
eig：方阵的本征值和本征向量
inv：方阵的逆
pinv：矩阵的Moore-Penrose伪逆
qr：QR分解
svd：SVD分解
solve：解线性方程组A x = b ，A 为方阵
lstsq：A x = b 的最小二乘解
