#展示一个矩阵的形状（shape），大小(size)，和维数(ndim)
import numpy as np
#创建一个矩阵
matrix=np.array([[1,2,5],
                 [5,9,7],
                 [9,3,8]])
#查看行数和列数
print(np.shape(matrix))

(3, 3)

#查看大小(元素数量  行数*列数)
print(np.size(matrix))    # 9
#查看维数
print(np.ndim(matrix))    #2维

### 五，对数组中的元素同时应用一个函数,使用numpy的vecotrize

#对数组中的元素同时应用一个函数,使用numpy的vecotrize
import numpy as np
matrix=np.array([[5,8,9],
                 [1,5,9],
                 [1,2,3]])
#创建一个函数，使矩阵中的每个函数加上100
add_100=lambda i:i+100
#创建向量化函数
vectorized_add_100=np.vectorize(add_100)
#对矩阵中的所有函数应用这个函数
matrix_operation=vectorized_add_100(matrix)
print(matrix_operation)

结果    [[105 108 109]

#        [101 105 109]
#         [101 102 103]]

### 六，找到最大值和最小值

#找到最大值和最小值，以及选择特定行列的最大最小元素
import numpy as np
matrix=np.array([[4,8,9],
                 [7,8,5],
                 [9,6,3]])
print(np.max(matrix),np.min(matrix))
#答案    9 3
#使用axis参数可以对特定的行，列操作
print(np.max(matrix,axis=0))   #找到每一列的最大元素
print(np.min(matrix,axis=1))   #找到每一行的最大元素
#结果     [9 8 9]
#        [4 5 3]

### 七，计算平均值mean，方差var，和标准差std  （mean,var,std）

#计算平均值mean，方差var，和标准差std  （mean,var,std）
import numpy as np
matrix=np.array([[4,8,9],
                 [8,9,5],
                 [8,2,9]])
#输出平均值mean，方差var，和标准差std
print(np.mean(matrix),np.var(matrix),np.std(matrix))
#结果 6.888888888888889 5.876543209876543 2.4241582476968255
#计算每一列的平均值
print(np.mean(matrix,axis=0))

结果 [6.66666667 6.33333333 7.66666667]

### 八，矩阵变形（reshape）

#矩阵变形（reshape）
import numpy as np
matrix=np.array([[4,8,9],
                 [8,9,5],
                 [8,2,9],
                 [9,5,2]])
print(matrix.reshape(2,6))  #原矩阵和新矩阵元素个数一样

[[4 8 9 8 9 5]

#  [8 2 9 9 5 2]]
#利用-1，确定行数或者列数，其余自动补充
print(matrix.reshape(-1,1))

### 九，转置向量或矩阵

#转置向量或矩阵
import numpy as np
matrix=np.array([[4,8,9],
                 [8,9,5],
                 [8,2,9],
                 [9,5,2]])
print(matrix.T)

结果    [[4 8 8 9]

#         [8 9 2 5]
#         [9 5 9 2]]

### 十，展开一个矩阵（flatten）

#展开一个矩阵（flatten）
import numpy as np
matrix=np.array([[4,8,9],
                 [8,9,5],
                 [8,2,9],
                 [9,5,2]])
print(matrix.flatten())

[4 8 9 8 9 5 8 2 9 9 5 2]

### 十一，计算矩阵的秩  matrix\_rank

#计算矩阵的秩  matrix_rank
import numpy as np
matrix=np.array([[4,8,9],
                 [8,9,5],
                 [8,2,9],
                 [9,5,2]])
print(np.linalg.matrix_rank(matrix))

结果 3

### 十二，获取矩阵对角线元素  diagonal

#获取矩阵对角线元素  （diagonal）
import numpy as np
matrix=np.array([[4,8,9],
                 [8,9,5],
                 [8,2,9]
                 ])
print(matrix.diagonal())  
#[4 9 9]

### 十三，生成随机数  （random）

#生成随机数 （random）
import numpy as np
np.random.seed(0)
#生成3个0.0到1.0之间的随机浮点数
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）