numpy作为数据分析，深度学习常用的库，本篇博客我们来介绍numpy的一些进阶用法：

一，numpy的常用简单内置函数：

1.1求和：

a = np.array([[1, 2],[3, 4]])
np.sum(a)

10

1.2求平均值：

np.mean(a) # 求取平均值

2.5

1.3求最小值：

np.min(a)

1

1.4求最大值：

np.max(a)

4

以下就不再一一列举，我转成表格大家可以去Python手动尝试一下。

np.std()	标准差
np.var()	方差
np.median()	中位数
np.power()	幂运算
np.sart()	开方
np.log)(	对数
np.exp()	指数
np.argsort()	将元素按照行从小到大排序，返回对应位置元素的下标

二，numpy数组运算：

一维数组

2.1加法：

 array([ 9, 18, 27, 36, 45])

a = np.array([10, 20, 30, 40, 50])
b = np.arange(1, 6)
print(a + b)

array([11, 22, 33, 44, 55])

2.2减法

a - b

 array([ 9, 18, 27, 36, 45])

2.3乘法：

a * b

 array([ 10, 40, 90, 160, 250])

2.4除法：

a / b

array([10., 10., 10., 10., 10.])

二维数组：

2.5加法：

A = np.array([[1, 2],[3, 4]])
B = np.array([[5, 6],[7, 8]])
print(A+B)

[[6,8],
[10,12]]

2.6减法：

A-B

[[-4 -4][-4 -4]]

2.7乘法：

A*B

[[ 5 12][21 32]]

2.8除法：

A/B

[[0.2        0.33333333][0.42857143 0.5       ]]

三，矩阵运算：

3.1矩阵乘法

A = np.array([[1, 2],[3, 4]])
B = np.array([[5, 6],[7, 8]])
print(np.dot(A,B))

[[19 22][43 50]]

3.2矩阵转置

print(A.T)

[[1 3][2 4]]

3.3求逆矩阵

np.linalg.inv(A)

[[-2.   1. ][ 1.5 -0.5]]

四，numpy广播机制：

术语广播是指 NumPy 在算术运算期间处理不同形状的数组的能力。 对数组的算术运算通常在相应的元素上进行。 如果两个阵列具有完全相同的形状，则这些操作被无缝执行。

a = np.array([1,2,3,4]) 
b = np.array([10,20,30,40]) 
c = a * b 
print(c)

[10   40   90   160]

a = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
b = np.array([1, 2, 3])

 # 可直接简写为a+ b, numpy自动实现广播功能，当参与运算的操作数的维度不一样时
a + b

array([[ 2, 4, 6],[ 5, 7, 9],[ 8, 10, 12]])