一样，咱的计算机还是得先拥有Python，并且安装了Numpy库。有疑问的话可以看这里呦~~~~

下面开讲：

　　NumPy的主要对象是齐次多维数组。它是一个元素表（通常是数字），并且都是相同类型，由正整数的元组索引。

　　其他暂且略过，咱主要说一些可以听懂的并且有实际效用的。

　　首先，我们得创建有一个ndarry对象，简单地介绍其中三种方法吧：

• a=np.array([1,2,3])

• data=[[1,2,3],[4,5,6]]
  a=np.array(data)

• a=np.arange(15).reshape(3,5)

在这里我们就用第三个作为例子接着往下讲哈（我就不用再创建了哈哈）

　　ndarray对象的重要的属性如下：

• ndarray.ndim：

　　　　　　输出ndarray的维度（轴数，也有人叫它等级，在Python世界中，维度的数量被称为等级），这里的轴也叫坐标轴。

　　　　　　　　这两种写法都是可以的，亲试如图，下面的其他函数也是一样的。

　　　　　　例如，array（[1,2,1]）是一个等级为1的数组，因为它具有一个坐标轴，该轴的长度为3。

　　　　　　在上面的示例中，该数组的排名为2（它是2维的）。第一维（轴）的长度为3，第二维的长度为5。

• ndarray.shape：

　　　　　　输出数组的尺寸，即（n，m）。

• ndarray.size:

　　　　　　数组元素的总数，即 n * m。

• ndarray.dtype：

　　　　　　数组中元素的数据类型，可进行转换。（这个一般默认float64 和 int32，你们可以自己多试试）

• ndarray.itemsize：

　　　　　　数组中每个元素的字节大小。（例子中则为 int 32/8 = 4，相当于ndarray.dtype.itemsize）

• ndarray.data：

　　　　　　该缓冲区包含数组的实际元素。（这个我们一般不用，我们都是用索引的QAQ）

　　还有好多，我就不一一截图了，懒。。。。。。

• np.zeros(10)    #长度为10的0数组
• np.zeros((3,6))    #创建3行6列的0数组（注意有两个括号）
• np.ones(5)
• np.ones((3,4))
• np.arange(10)
• np.eye(3)    # 3*3单位矩阵
• np.identity(3)    # 3*3单位矩阵
• np.zeros_like(a)    #创建与a相同行、列的全0矩阵
• np.ones_like(a)    #创建与a相同行、列的全1矩阵

　　索引和切片类

• a1=a[0:1]    ##这个切片的大有学问了，写的话大概得另起一篇了，有空再说
• a[0:1]=1    ##a变化后，a1的值也随之变化
• a1[0:1]=2    #a1变化后，a的值也随之变化

• a1=a[0:1].copy()    #完全拷贝，值变化不影响a （和上面对比一下你就清楚了）

　　计算类

• a*a    #每个元素平方（这个强！！！挺好用的。）
• a*5    #每个元素乘以5
• a.mean()    #数据均值
• a.sum()    #数组和
• a.sum(axis=0)    #按列求和
• a.sum(axis=1)    #按行求和
• a.sort()    #对a进行排序（这个也是好东西啊~~~）
• a.sort(1)    #0按行排序，1按列排序
• np.sort(a,0)    #a按行排序（本身不发生变化！！！！！！）
• x.dot(y)    ##矩阵x与y相乘

• np.in1d(a,[2,3,6])    #value中的每一个值是否在[2,3,6]中（如果是，该值返回true,否则返回false.）
• np.in1d([2,3,6],a)
• np.in1d(x,y)
• np.intersect1d(x,y)    #返回x和y中的交集，并返回有序结构
• np.union1d(x,y)    #计算x,y的并集，并返回有序结构
• np.setdiff1d(x,y)    #集合的差，即在x中且不在y中
• samples=np.random.normal(size=(4,4))    #产生4维正态分布矩阵
• from numpy.linalg import *    #计算与矩阵相关，行列式，矩阵的逆等
• np.linalg.det(samples)    #矩阵行列式
• np.linalg.inv(samples)    #矩阵求逆
• np.diag(samples)    #返回矩阵对角线元素
• np.linalg.eig(samples)    #返回矩阵特征值和特征向量

• import timeit    #导入计算时间的模块

• np.save('some_a',a)    #保存文件
• np.load("some_a.py")    #读取磁盘保存数据
• a=np.loadtxt("code_public.txt",delimiter=',')    #读取文本数据
• arr=np.loadtxt("d:\code\arr.txt",delimiter=',')    #读取d盘数据

行吧，时间也差不多了，我都写累了，相信你也看累了，是时候去 stzb 看看了。