数组：

m = np.array()   

专门的矩阵：np.mat() 但不建议使用  

压缩矩阵：sparse.csr_matrix(m)  #from scipy import sparse

m.shape      m.size     m.ndim

常用数组操作：

#vectorize 类将一个函数转换成另一个函数,本质是在做循环，不会提升性能,还是广播比较好用

add_100 = lambda i: i+100

v_add_100 = np.vectorize(add_100)

v_add_100(m)

np.max(m,axis=1) #axis=1 每一行最大值  /min   /mean  /std 

m.reshape()  #参数值 -1，表示可以“根据需要填充元素”

m.flatten() #将矩阵转为一维数组 等价于reshape(1,-1)

矩阵操作：

np.linalg.matrix_rank(m) #秩（维数）

np.linalg.det(m) #行列式

np.linalg.eig(m) #特征值，特征向量

np.linalg.inv(m) #矩阵的逆

np.add(m,n) #矩阵元素相加

np.subtract(m,n)  #相减

np.dot(m,n) #点乘 或者 m @n

m *n #矩阵相同位置元素相乘

m.diagonal() #获取对角线元素 offset 参数在主对角线的上下偏移

m.trace() #迹，对角元素之和

随机数：

np.random.seed(0)

np.random.random(3) #生成0-1之间的随机数

np.random.randint(1,10,3)

np.random.normal(0.0, 1.0, 3) #

np.random.logistic() 

np.random.uniform()