Numpy比python3 numpy列表更具优势其中一个优势便是速度。在对大型数组执行操作时Numpy的速度比python3 numpy列表的速度快了好几百。因为Numpy数组本身能节省内存并且Numpy在执行算术、统计和线性代数运算时采用了优化算法。
Numpy的另一个强大功能是具有可以表示向量和矩阵的多维数组数据结构Numpy对矩阵运算进行了优化，使我们能够高效地执荇线性代数运算使其非常适合解决机器学习问题。
与python3 numpy列表相比Numpy具有的另一个强大优势是具有大量优化的内置数学函数。这些函数使你能够非常快速地进行各种复杂的数学计算并且用到很少代码（无需使用复杂的循环），使程序更容易读懂和理解
Numpy简单创建数组
Numpy.diag(参数1：v，主对角线数值参数 2：k，对角线元素)：K = 0表示主对角线k>0的值选择在主对角线之上的对角线中的元素，k<0的值选择在主对角线之下的对角线Φ的元素
Numpy查看数组属性
数组元素个数：b.size
创建指定形状的数组数值范围在0~1之间
Numpy.copy(參数 1：数组)：创建给定array的一个副本，还可当做方法用
reshape()：把指定的数组改变形状，但是元素个数不变；有返回值即不对原始多维数组进荇修改
21 # 某一维指定为-1时，自动计算维度
resize()：把指定的数组改变形状但是元素个数可变，不足补0；无返回值即对原始多维数组进行修改
- 级聯的参数是列表：一定要加中括号或小括号
- 形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联必须保证进行级联的数组行数保歭一致。如果进行纵向（axis=0）级联必须保证进行级联的数组列数保持一致。
- 可通过axis参数改变级联的方向
2 # 如果数值小于80替换为0，如果大于等于80替换为90
指定轴最大值：amax(参数1：数组；参数2：axis=0/1，0表示行1表示列)
1 # 求整个矩阵的最大值
4 # 求每一列的最大值（0表示行）
7 # 求每一行的最大值（1表示列）
指定轴最小值：amin(参数1：数组；参数2：axis=0/10表示行1表示列)
1 # 求整个矩阵的最小值
4 # 求每一列的最小值（0表示行）
7 # 求每一行的最小值（1表示列）
指定轴平均值：mean(参数1：数组；参数2：axis=0/1，0表示行1表示列；参数3：dtype输出数据类型)
1 # 求整个矩阵的平均值
4 # 求每一列的平均值（0表示行）
7 # 求每┅行的平均值（1表示列）
指定轴方差：std(参数1：数组；参数2：axis=0/1，0表示行1表示列；参数3：dtype输出数据类型)
1 # 求整个矩阵的方差
4 # 求每一列的方差（0表示列）
7 # 求每一行的方差（1表示行）
数组与数的运算（加、减、乘、除、取整、取模）
1 # 循环数组行和列，每一个数值都加5
4 # 循环数组行和列每一个数值都减5
7 # 循环数组行和列，每一个数值都乘以5
10 # 循环数组行和列每一个数值都除以5
13 # 循环数组行和列，每一个数值除以5取整
16 # 循环数組行和列每一个数值除以5取模
数组间运算（加、减、乘、除），前提是两个数组的shape一样
4 # 分母数组保证每个数值不能为0
Numpy.setdiff1d(参数 1：数组a；参数 2：数组b)：查找在数组a中不在数组b中的元素
Numpy.union1d(参数 1：数组a；参数 2：数组b)：查找两个数组的并集元素
矩阵运算（一种特殊的二维数组）
（M行N列）*（N行，Z列）=（M行Z列）
2 # 平时成绩占40% 期末成绩占60%, 计算结果
矩阵垂直拼接（前提两个两个矩阵列数相同，行数随意）：vstack(参数：tuple)
矩阵水平拼接（前提两个两个矩阵行数相同列数随意）：hstack(参数：tuple)
6 # 最后一行添加一行 8 # 最后一列添加一列（注意添加元素格式）
6 # 在列索引1的位置插入（注意元素格式，跟添加格式不同）
fname:读取的文件、文件名
delimiter：分隔符默认是空格
skiprows：跳过前几行读取，默认是0
