当我们准备把机器学习的各种算法使用python语言落地实现时，有一个工具我们一定要使用，那就是numpy。因为numpy底层使用C++实现，利用了CPU或者GPU的SIMD技术，使得numpy的矩阵运算比python本身自带的list数据结构运算高效很多，特别是在处理大数据时，其优势更是明显。本文主要介绍numpy的基本使用方法，更多高级用法大家可以参考numpy官方文档

一、numpy的安装及导入

安装：命令行中输入以下代码

pip3 install numpy

导入：为了简便，这里使用np作为numpy的缩写

import numpy as np

二、新建矩阵以及numpy矩阵的属性

新建矩阵：使用array函数，传入一个list
numpy矩阵属性含义：
ndim：矩阵的维数
shape：矩阵的形状（每一个维度上的size）
size：矩阵的大小（第一个维度上的size）

array = np.array([[1, 2, 3],
                  [2, 3, 4]])
print('dim:', array.ndim)
# 输出 dim: 2

print('shape:', array.shape)
# 输出 shape: (2, 3)

print('size:', array.size)
# 输出 size: 6

三、创建不同类型的基本矩阵

array：根据传入的list创建矩阵
zeros：根据传入的shape创建一个零矩阵（每个元素都为零）
empty：根据传入的shape创建一个几乎为零的矩阵（每个元素都几乎为零）
arange：
三个参数时：
第一个参数表示起始值，第二个参数表示结尾值，第三个参数表示增长值
一个参数时：
相当于起始值为0，结尾值为该参数，增长值为1
linspace：第一个参数表示起始值，第二个参数表示结束值，第三个参数表示要分成份数
random.random：根据传入的shape生成一个随机矩阵，每一个元素的值都是随机数
（参数dtype用来定义矩阵元素的存储类型，reshape函数，将矩阵按照传入的shape调整矩阵形状）

a = np.array([[2, 33, 55], [3, 9, 13]], dtype=np.float32)
# array([[  2.,  33.,  55.],
#        [  3.,   9.,  13.]], dtype=float32)

b = np.zeros((3, 4), dtype=np.int64)
# array([[0, 0, 0, 0],
#        [0, 0, 0, 0],
#        [0, 0, 0, 0]])

c = np.empty((3, 4))
# array([[  0.00000000e+000,   0.00000000e+000,   2.12397093e-314,  2.12524611e-314],
#        [  2.14770623e-314,   2.12331478e-314,   2.12331472e-314,  2.12400038e-314],
#        [  2.12400043e-314,   2.14741897e-314,   2.13926764e-314,  2.14770776e-314]])

d = np.arange(3, 9, 1)
# array([3, 4, 5, 6, 7, 8])

e = np.arange(12).reshape((3, 4))
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11]])

f = np.linspace(1, 21, 10).reshape((5, 2))
# array([[  1.        ,   3.22222222],
#        [  5.44444444,   7.66666667],
#        [  9.88888889,  12.11111111],
#        [ 14.33333333,  16.55555556],
#        [ 18.77777778,  21.        ]])

g = np.random.random((3, 4))
# array([[ 0.17233778,  0.46768354,  0.14473541,  0.02593317],
#        [ 0.77383741,  0.71766547,  0.90690193,  0.83787435],
#        [ 0.76650035,  0.21221298,  0.61345672,  0.51163584]])

四、矩阵的基本运算

矩阵的基本运算有 加(+)、减(-)、乘(*)、除(/)、乘方(**)、是否等于(==或者!=)、点乘(dot)

a = np.array([10, 20, 30, 40])
b = np.arange(1, 5, 1)
print('sum = \t', a + b)
print('diff = \t', a - b)
print('prod = \t', a * b)
print('divi = \t', a / b)
print('pow = \t', a ** 3)
print('!= = \t', a != 10)
print('dot = \t', np.dot(a, b))
print('dot = \t', a.dot(b))

五、矩阵的高级运算

求和(sum)、最大值(max)、最小值(min)、最大索引值(argmax)、最小索引值(argmin)、加权平均(average)、累加值(cumsum)、差值(diff)、非零元素索引值(nonzero)、排序(sort)、转置(transpose或者T)、修剪(clip)、平均值(mean)
（参数：axis=0表示纵向，axis=1表示横向）

c = np.arange(12, 0, -1).reshape((3, 4))
print(c)
# axis=1每一行 axis=0每一列
print('sum = \t', np.sum(c, axis=1))
print('max = \t', np.max(c, axis=0))
print('min = \t', np.min(c, axis=0))
print('argmax = \t', np.argmax(c))
print('argmin = \t', np.argmin(c))
print('average = \t', np.average(c))
print('cumsum = \t', np.cumsum(c))
print('diff = \t', np.diff(c))
print('nonzero = \t', np.nonzero(c))
print('sort = \t', np.sort(c))
print('transpose = \t', np.transpose(c))
print('c.T = \t', c.T)
print('clip = \t', np.clip(c, 5, 9))
print('mean = \t', np.mean(c, axis=1))

六、矩阵的合并

vstack 纵向合并
hstack 横向合并
concatenate 通过指定axis参数的值决定是纵向合并还是横向合并

# newaxis 加一个维度
A = np.array([1, 1, 1])[np.newaxis,:]
B = np.array([2, 2, 2])[np.newaxis,:]
# vertial 纵向合并
print(np.vstack((A, B)))
# horizontal 横向合并
print(np.hstack((A, B)))
# axis=0 纵向 axis=1 横向
C = np.concatenate((A, B, B, A), axis=0)
print(C)

七、矩阵的分割

vsplit 纵向分割
hsplit 横向分割
split 通过指定axis参数的值决定是纵向分割还是横向分割

A = np.arange(1, 13, 1).reshape((3, 4))
print(A)
# axis=0 纵向分割 axis=1 横向分割
# 等项分割
print(np.split(A, 2, axis=1))
# 不等项分割
print(np.array_split(A, 3, axis=1))
# vsplit(axis=0), hsplit(axis=1)
print(np.vsplit(A, 3))
print(np.hsplit(A, 2))

八、矩阵的浅拷贝与深拷贝

= 浅拷贝，只是拷贝了引用
copy() 深拷贝

  # 浅拷贝 只是拷贝了引用
  A = np.array([1, 2, 3])
  B = A
  A[0] = 99
  print(A)
  print(B)
  # 深拷贝
  B = A.copy()
  A[0] = 88
  print(A)
  print(B)