1. numpy介绍：
- NumPy系统是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix））。
- NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
ndarray到底跟原生python列表的区别：
-
ndarray在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度更快。
numpy array与list对比 因为ndarray中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以ndarray在存储元素时内存可以连续，而python原生list就只能通过寻址方式找到下一个元素，这虽然也导致了在通用性能方面Numpy的ndarray不及Python原生list，但在科学计算中，Numpy的ndarray就可以省掉很多循环语句，代码使用方面比Python原生list简单的多。
numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。
Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。
注意：np.array只是一个便捷的函数，用来创建一个ndarray，它本身不是一个类。
以上源自百度百科：numpy
2. numpy常用函数：
2.1 array的组合、扩展
np.vstack(a,b) # 竖直堆放矩阵
np.hstack(a,b) # 水平对方矩阵
a.transpose() # 矩阵转置
2.2 切片
a[:,1]取出第一列的所有行
a[:-1,1]取出第一列的0到倒数第二行，-1代表从后往前数第二个
a[a:b,m:n] 对二维数组第a到b-1行，第m到n-1列进行切片
a[:] 原样复制一个list
2.3 numpy.eye() 生成对角矩阵
numpy.eye(N,M=None, k=0, dtype=<type 'float'>)
关注第一个第三个参数就行了
第一个参数：输出方阵（行数=列数）的规模，即行数或列数
第三个参数：默认情况下输出的是对角线全“1”，其余全“0”的方阵，如果k为正整数，则在右上方第k条对角线全“1”其余全“0”，k为负整数则在左下方第k条对角线全“1”其余全“0”。
>>> np.eye(2, dtype=int)
array([[1, 0],
[0, 1]])
>>> np.eye(3, k=1)
array([[ 0., 1., 0.],
[ 0., 0., 1.],
[ 0., 0., 0.]])
2.4 .shape
c.shape : 查看c矩阵或者数组的维数
c.shape[0] : c矩阵第一维的长度
c.reshape(-1):将数组展开成一维向量
c.reshape(-1,4):将数组展开成一维，每行有4个数，是4*2的数组。
>>> c = array([[1,1],[1,2],[1,3],[1,4]])
>>> c.shape
(4, 2)
>>> c.shape[0]
4
>>> c.shape[1]
2
>>> c.reshape(-1)
array([1, 1, 1, 2, 1, 3, 1, 4])
>>> c.reshape(-1,4)
array([[1, 1, 1, 2],
[1, 3, 1, 4]])
2.5 np.linalg
np.linalg : 简写linalg=linear+algebra
（1）np.linalg.inv()：矩阵求逆
（2）np.linalg.det()：矩阵求行列式（标量）
注： .dot()函数可以通过numpy库调用，也可以由数组实例对象进行调用。a.dot(b) 与 np.dot(a,b)效果相同。
（3）np.linalg.norm ： 求矩阵的范数（默认二范数——笛卡尔空间）
（4）np.linalg.pinv(m)：求m矩阵的伪逆矩阵
别人博客蛮详细的讲解
python中数组（numpy.array）的基本操作
