numpy的基本属性，基于矩阵的运算
最简答的初始化：
array=np.array([[1,2,3], [2,3,4]])
array.ndim, 返回是一维数组还是二维数组
array.shape 返回shape，是一个元组，第一个是行，第二个是列
array.size 返回元素的数目
创建array
- np.array([], dtype=np.int) 直接使用list来初始化，可以使用dtype来定义数据格式
- np.zero((n,m)) 提供shape创建一个全零的矩阵，shape必须是元组
- np.ones((n,m))
- np.empty((n,m))
- np.arange(n, m, step) 和python的range一样，可以指定起始值，结束值和步长
- np.arange(n, m, step).reshape(n,m) 将range生成的一维数组reshape成指定了二维矩阵
- np.linspace(n, m, s).reshape(n,m) 生成线段，这里s指的是总共生成多少个数据，由linspace来自动计算数值，数值平均分配
dtype=np.int 默认64位
dtype=np.int32
dtype=np.float
dtype=np.float32
基础运算：
减法，加法，b**2，np.sin(a), np.cos(a), 每个元素逐个相减
比较运算：b<3 返回一个有相同长度的列表，里面的内容是Ture和False
矩阵运算
a * b 矩阵点乘
np.dot(a.b) 矩阵相乘
a.dot(b) 矩阵相乘
np的常用运算
- np.sum(), np.min(), np.max() 获取相应的值
- np.argmin(), np.argmax()，获取相应的值的索引，使用一维索引
- 获取矩阵的平均值 np.mean(a) 或者 a.mean() 或者 np.average(a) -- 老版本的方法
- 获取中位数 np.median(a)
- 累加 np.cumsum(a) 所有元素都等于它之前的元素的和，返回 一个一维数组
- 累差，后一个值和它的差值 np.diff(a), 所以4x4 矩阵作完diff以后就会变成 3x4
- 找到非0的数值 np.nonzero(a) 返回两个list，第一个list代表行的index，第二个list代表列的index
- 排序np.sort(a) 默认是按行排序
- 矩阵的转置， np.transpose(a) 或者 a.T
- 矩阵relu类似操作 np.clip(a, 5, 9) 所有小于5的都等于5，所有大于9的都等于9
可以指定axis来指定对列或者行操作 np.sum(a, axis=1)
np.random.random 随机多维序列，可以指定shape
np.random.randn 随机一维序列
np的索引
和列表一样np可以对位置进行索引
a[2] 对于一维数组那就是返回一个元素，对于二维数组就是返回一个list第二行的所有内容
a[1,1] 等同于 a[1][1]
可以使用冒号来代表一行所有的数或者一个范围， a[1, :] 或者 a[:, 2] 或者 a[1, 2:4]
np中的矩阵可以直接使用到for循环中，对行迭代。
对列迭代可以使用转置来treaky实现，对每个项目迭代的话可以使用a.flat (返回a中所有元素的迭代器) 然后在用for循环
np的合并
np.vstack((a, b)) 使用元组来定义需要合并的array, 上下合并
np.hstack((a, b)) 左右合并
np.concatenate((A,B)) 多个array进行纵向或者横向的合并，使用axis来指定
np的分割
np.split(a, 2, axis=1) 分割层两部分. 分成的每个子项都要想等
np.array_split(a, 3) 可以进行不等项的分割
np.vsplit() 进行纵向分割
np.hsplit() 进行横向分割
np的copy
直接使用等号的话 b=a 那么b和a就是指向同一个内存块
b=a.copy() 这样会产生一个和a无关的b
