最近这几年，机器学习和深度学习大火。而这其中的数据计算是非常多，而这得益于python的numpy模块。多提一句：numpy是没有GIL（多线程解释器锁）的。所以，numpy中的计算是非常快的。那什么是GIL呢？请看python的多线程。话不多说，让我们开启今天的数学之旅。PS：numpy很多API，我还没有学完。我只是总结了一部分，后面会补充的。
通过array生成矩阵：
可以通过dtype设置矩阵数据的类型。astype可以修改数据类型。
通过asarray生成矩阵
用法和array一样。array和asarray都可将结构数据转换为ndarray类型。但是主要区别就是当数据源是ndarray时，
array仍会copy出一个副本，占用新的内存，但asarray不会。
其他生成矩阵的方式
numpy生成随机数：
seed的使用方法：
使用RandomState获得随机数生成器
>>>rdm=np.random.RandomState(2) # 2是随机数种子
>>>a=np.random.randint(0,20,(3,4))
>>>a
array([[ 8, 11, 1, 5],
[ 3, 8, 0, 18],
[ 5, 15, 8, 14]])
reshape&resize
可以通过reshape修改列表的行数和列数，resize改变数组的尺寸大小。根据reshape传入的参数判断转为哪种数组。
numpy运算
加、减、乘、除类似。如果两个矩阵形状相同，两个矩阵对应的元素做操作。若两个矩阵形状不相同，其中一个矩阵的维度与另一个矩阵的维度相同，可以在该维度上做操作。
通过axis求每行（列）的元素和或最大、最小值。0代表列，1代表行。
还可以获得最大、最小值：
其他一些计算
累加、累差、中位数、平均值
对clip函数的解释：小于5的元素都设为5，大于9的元素都设为9
flatten
对数组展开为一维数组
numpy的合并：
numpy的分割：
转置矩阵：
numpy.linspace
numpy.linspace(start,stop,num,endpoint,retstep,dtype)
该方法的作用是子啊start和stop之间产生num个线性向量。每个向量之间的距离是相同的。创建等差数列
start：起始点
stop：终止点
num : int, optional 默认50，生成start和stop之间50个等差间隔的元素
endpoint : bool, optional。If True, stop is the last sample. Otherwise, it is not included. Default is True。生成等差间隔的元素，但是不包含stop，即间隔为 （stop - start）/num
retstep : bool, optional。If True, return (samples, step), where step is the spacing between samples.返回一个（array，num）元组，array是结果数组，num是间隔大小
dtype : dtype, optional。The type of the output array. If dtype is not given, infer the data type from the other input arguments。输出数组的类型。如果没有给出dtype，则从其他输入参数推断数据类型。
numpy.newaxi：
插入新的维度
>>> import numpy as np
>>>b=np.array([1,2,3,4,5,6])
>>>b[np.newaxis]
>>>array([[1, 2, 3, 4, 5, 6]])
numpy.meshgrid：
生成网格点坐标矩阵
由上图，得知meshgrid的作用是：根据传入的两个一维数组参数生成两个数组元素的列表。如果第一个参数是xarray，维度是xdimesion，第二个参数是yarray，维度是ydimesion。那么生成的第一个二维数组是以xarray为行，共ydimesion行的向量；而第二个二维数组是以yarray的转置为列，共xdimesion列的向量
可能你看到这还不明白，看下图：
A,B,C,D,E,F是6个网格点，坐标如图，如何用矩阵形式（坐标矩阵）来批量描述这些点的坐标呢？答案如下：
这就是坐标矩阵——横坐标矩阵X中的每个元素，与纵坐标矩阵Y中对应位置元素，共同构成一个点的完整坐标。
numpy.logspace
创建等比数列，参数和logspace差不多，第四个参数代表基数。默认为10，如果想要修改其默认基数，输入第四个参数base，改变就可以了。
