Numpy多维数组

创建矩阵

我们可以传递以下形式的Python列表，让NumPy创建一个矩阵来表示它们：

我们也可以使用上一篇中提到的相同方法 ones()，zeros() 和 random.random() 等，只要我们给它们一个元组来描述我们正在创建的矩阵的维度：

另外，还可以从磁盘读取数组，无论是标准格式还是自定义格式。

矩阵计算

如果两个矩阵的大小相同，我们可以使用算术运算符来进行两个矩阵的计算。NumPy将对两个矩阵的对应位置进行操作处理。

当两个矩阵的大小不同，只有当其中一个矩阵的维度为1时（例如矩阵只有一列或一行），我们才能在不同大小的矩阵上进行这些算术运算，在这种情况下，NumPy将其广播规则用于该操作：

矩阵点积

NumPy为每个矩阵提供了一种 dot() 方法，可用于与其他矩阵进行点积运算：
上图的底部添加了矩阵尺寸，以强调两个矩阵在它们彼此面对的一侧必须具有相同的尺寸。可以将此操作可视化为如下所示：

矩阵索引

当操作矩阵时，索引和切片操作变得更加灵活：

矩阵函数

矩阵中函数的使用与一维数组相同。

另外，不仅可以求解矩阵中的所有值，还可以使用 axis 参数在行或列之间进行计算：

矩阵转置和重塑

当需要采用两个矩阵的点积并​​需要对齐它们共同维度时，需要旋转矩阵。NumPy数组有一个方便的属性，T 用于获取矩阵的转置：

在更高级的应用中，可能会需要切换某个矩阵的维度。在机器学习应用程序中通常就是这种情况，其中某个模型期望输入的某个形状与您的数据集不同。
NumPy的 reshape() 方法在这些情况下很有用。您只需将矩阵所需的新尺寸传递给它，NumPy可以根据您的矩阵推断出正确的维度：

更多维度

NumPy可以在任何维度上实现上面讲到的知识，其中心数据结构称为 ndarray（N维数组），原因很简单。

在很多情况下，处理新维度只是在NumPy函数的参数中添加逗号：

注意：当打印三维NumPy数组时，文本输出会以不同于此处显示的方式显示数组。NumPy打印 n 维数组的顺序是，最后一个轴最快循环，而第一个轴最慢。这意味着 np.ones((4,3,2)) 将打印为：

array([[[1., 1.],
        [1., 1.],
        [1., 1.]],

       [[1., 1.],
        [1., 1.],
        [1., 1.]],

       [[1., 1.],
        [1., 1.],
        [1., 1.]],

       [[1., 1.],
        [1., 1.],
        [1., 1.]]])