译者的话：这是Rakshit Vasudev资料的翻译，他长期研究DataScience并在其中使用Python语言。 作者讨论了功能强大的Numpy库，它使您可以实现机器学习和处理大数据的许多功能。
Numpy是Python的数学库。 它使您可以快速有效地执行各种计算。 由于使用了特殊的解决方案，它大大扩展了Python的功能。 本文讨论Numpy的基本功能，这只是第一部分； 其他将在稍后发布。 本文适用于刚开始学习Numpy并进入Python勇敢的数学世界的人们。
Skillbox建议： Python开发人员从头开始 实践课程。
我们提醒您： 对于所有“哈勃”读者来说，使用“哈勃”促销代码注册任何Skillbox课程时均可享受10,000卢布的折扣。
导入库
import numpy as np
至此，我们告诉Python np是Numpy的引用，它将继续使用。
现在创建一个python数组和一个np数组。
提款没有太大区别。
print(a) print(A) ==================================================================== [1, 2, 3, 4, 5, 6, 7, 8, 9] [1 2 3 4 5 6 7 8 9]
那么，为什么使用numpy数组而不是通常的数组更好呢？ 答案是因为np将使我们能够更快地进行计算并修改应用程序的整体体系结构。
np.arange（）
np.arange(0,10,2) ==================================================================== array([0, 2, 4, 6, 8])
（[开始]，停止，[步骤]）对数字进行排序。 这对汽车意味着什么。
我们创建一个从0到10的np列表，但不包括10，并且每次将数字增加2。
因此，我们得到：
数组（[0，2，4，6，8]）
重要的是要记住，列表中不包括最后一位。
另一个例子：
np.arange(2,29,5) ==================================================================== array([2, 7, 12, 17, 22, 27])
该数组也可以称为矩阵或向量。 因此，当我说例如“矩阵的形状为2 * 3”时，请不要担心。 所有这些意味着我们的数组最终将看起来像这样：
array([2, 7, 12], [17, 22, 27])
现在让我们讨论默认np数组的参数，例如shape。 这里的形状是一个属性。 下面是其用法示例。
A = [1, 2, 3, 4, 5, 6, 7, 8, 9] A.shape ==================================================================== (9,)
这是一个数字矩阵，一行中只有9个元素。 原则上，1 * 9矩阵是理想的，对吗？
基本上，是的，为此，reshape（）开始起作用。 这是一种根据需要调整原始矩阵大小的方法。
这是在实践中使用reshape（）的示例。
A = [1, 2, 3, 4, 5, 6, 7, 8, 9] A.reshape(1,9) ==================================================================== array([[1, 2, 3, 4, 5, 6, 7, 8, 9]])
请注意，整形将返回多维矩阵。 开头用两个方括号表示。 与[1、2、3、4、5、6、7、8、9]不同，[[1、2、3、4、5、6、7、8、9]]是潜在的多维矩阵。
另一个例子：
B = [1, 2, 3, 4, 5, 6, 7, 8, 9] B.reshape(3,3) ==================================================================== array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
如果我们为B选取shape参数，则为（3.3）：
B.shape ==================================================================== (3,3)
让我们继续到np.zeros（）
这段代码说明了什么？
np.zeros((4,3)) ==================================================================== ???????????
即：这里给出了一个3 * 4格式的矩阵，该矩阵用零填充。 结论如下：
np.zeros((4,3)) ==================================================================== array([[0., 0., 0.], [0., 0., 0.], [0., 0., 0.], [0., 0., 0.]])
np.zeros（（n，m））返回一个n * m格式的矩阵，该矩阵用零填充。 一切都很简单。
np.eye（）有什么作用？
向我们返回具有某些特征的单位矩阵。
np.eye(5) ==================================================================== array([[1., 0., 0., 0., 0.], [0., 1., 0., 0., 0.], [0., 0., 1., 0., 0.], [0., 0., 0., 1., 0.], [0., 0., 0., 0., 1.]])
如何将两个矩阵相乘？
没问题：为此使用np.dot（），如果将矢量和矩阵乘积（最普通的）传递给它，则此函数为标量积。
示例：A =（2,3）＆B =（3,2）。 此处，A中的列数为3。B中的行数为3。由于特性一致，因此可以进行乘法运算。
我们已经准备好要进行乘法运算的矩阵。 接下来-我们采取行动。
现在让我们将各个元素添加到矩阵中。
np.sum（）将元素添加到矩阵。
但是，我们有两个选择。
1.排成一排
6-第一行的总和（1、2、3）。
15-秒（4、5、6）。
24-第三（7，8，9）。
2.折成列
12-第一列的总和（1、4、7）。
15-根据第二个（2、5、7）。
18-根据第三个（3，6，9）。
以下是作者创作的视频，上面的所有内容都将更清楚地进行解释。
Skillbox建议：