版权声明
- 本文原创作者：谷哥的小弟
- 作者博客地址：http://blog.csdn.net/lfdfhl
Numpy概述
Numpy是Python的一个开源数值计算扩展库，主要用于存储和处理大型多维数组和矩阵，并且提供了大量的数学函数来操作这些数组。Numpy是Python科学计算生态系统中的核心库之一，许多其他科学计算和数据分析库（如Pandas、SciPy、Matplotlib等）都是基于Numpy构建的。
Numpy的矩阵运算在科学计算、数据分析、机器学习等领域有着广泛的应用。例如，在机器学习中，我们经常需要处理大量的数据，并使用矩阵运算来进行特征提取、模型训练等操作。
Numpy核心对象
Numpy的核心是ndarray对象，它是一个能存储任何类型数据（多为数值类型）且要求所有元素类型必须一致的多维数组容器，这种设计使内存使用更高效并显著提升了数组操作的运算速度。同时，Numpy通过提供大量函数来支持元素级的数组运算和数学函数运算，如加、减、乘、除等，这些操作直接对整个数组进行，省去了编写循环的麻烦，从而大幅提高了代码执行效率。此外，它还包含丰富的线性代数函数，能轻松处理矩阵乘法、特征值计算、逆矩阵求解等复杂运算。值得一提的是，Numpy的广播机制使得不同形状的数组间能进行数学运算，无需繁琐的数组重塑。而且，Numpy还能与C、C++或Fortran代码轻松集成，结合了这些语言的性能优势和Python的易用性。另外，其便捷的数据输入/输出功能让数据文件的读写变得简单，同时强大的随机数生成功能为模拟、统计分析等任务提供了有力支持。
在Numpy中，标量Scalars是0维的数组，也即一个单一的值。它们在矩阵运算中起着重要作用，比如可以与ndarray进行逐元素的运算。
Broadcasting是Numpy对不同形状的数组进行数值计算的方式，它允许较小的数组在较大的数组上进行“广播”，以便它们具有兼容的形状。这使得数组之间的运算更加灵活高效。
Numpy常见操作
矩阵运算
Numpy提供了丰富的矩阵运算功能，包括加法、标量乘法、矩阵乘法等。
-
加法：两个形状相同的矩阵可以进行加法运算，结果是对应位置的元素相加。
-
标量乘法：一个矩阵可以与一个标量进行乘法运算，结果是矩阵中的每个元素都乘以这个标量。
-
矩阵乘法：遵循矩阵乘法的规则，即第一个矩阵的列数必须等于第二个矩阵的行数。结果矩阵的行数等于第一个矩阵的行数，列数等于第二个矩阵的列数。
矩阵转置
矩阵转置就是将矩阵的行变成列，列变成行。在Numpy中，可以使用.T属性或者np.transpose()函数来实现矩阵的转置。
矩阵求逆
矩阵求逆是线性代数中的一个重要操作。在Numpy中，虽然二维ndarray对象并不直接支持求逆运算，但我们可以使用Scipy库中的linalg.inv()函数来计算一个方阵的逆矩阵。
