做数据分析，我们难免会使用到Numpy对数据做处理。所以我们很有必要对他有所了解。这里配图详细介绍该库的具体用法。
在开始之前，我们需要导入所需包
import numpy as np
1.一维数组
创建数组
np.array([1, 2, 3])
image.png
初始化数组
在对数组初始化时，Numpy提供了几种初始化方法，
ones(): 初始元素为1的数组
zeros():初始元素为0的数组
random.random():初始元素为随机数的数组
大家看图就更加的详细。
image.png
数组运算
在开始对数组运算之前，我们需要创建两个示例数组。
image.png
下面开始对数组做运算
# 按位置对元素做相加
data + one
[2, 3]
image.png
除了加法外，数组与数组之间，我们还可以做其他运算。加减乘除。
image.png
不仅如此，在对数组和某个值做运算时，也是可以的.
image.png
数组索引
我们可以像对list()列表切片那样处理Numpy数组。具体请看下图。
image.png
很强大有木有！！！为了做更好对比，可以看下列表的切片。
data = [1, 2, 3]
data[0]# 输出1
data[1] # 输出2
data[0,2] # 输出[1, 2]
data[1:] # 输出[2, 3]
数组聚合
这里就简单介绍了max(), min(), sum()，当然了还有其他的聚合方法，如平均，方差等等。
image.png
2.二维数组(矩阵)
像一维简单数组那样，我们还是先学会创建简单二维数组。
创建矩阵
np.array([[1,2],[3,4]])
image.png
初始化矩阵
同理，我们
ones(): 初始元素为1的数组
zeros():初始元素为0的数组
random.random():初始元素为随机数的数组
同样也是适用于矩阵。
image.png
配上图解，增加可读性。
矩阵运算
同样也是支持简单的四则运算，这里就以加法为例。其他运算也是同理，按位置做运算。
image.png
当不同维度数组运算时，
image.png
点积运算。
image.png
当我们需要做点积运算时，总会有很多迷茫之处，不要紧这里给更加详细的图解。
image.png
矩阵索引
大家可以验证一下。
# 创建一个三行二列矩阵
np.array([[1,2],[3,4],[5,6]])
image.png
矩阵聚合
基本与一维数组算法是一致的。
我们还可以通过参数axis实现按行或列聚合。axis=0：按行，axis=1：按列。
image.png
以上图为例，axis=0按行取max，获取每行的最大值，每行有两个参数。axis=1按列取max，获取每列的最大值，每列有三个参数。
反转矩阵
image.png
矩阵重构
image.png
通过reshape()函数，我们可以塑造出我们所需的数组维度。
3.最后
也适用于多维度数组与数学公式的运用。
image.png
image.png
数学运用：采用Numpy计算均方误差(MSE)
image.png
image.png
image.png
image.png
image.png
image.png
更多请参考原文
