本節書摘來自異步社群《python資料科學指南》一書中的第2章，第2.2節，作者[印度] gopi subramanian ，方延風 劉丹 譯，更多章節内容可以通路雲栖社群“異步社群”公衆号檢視。
python中，numpy提供了一條高效處理超大數組的途徑。大多數python科學計算庫中都在内部使用numpy處理數組和矩陣操作。在本書中，numpy被廣泛應用，我們在本節介紹它。
我們先寫一系列語句來操作數組和矩陣，學習如何使用numpy。目的是讓您習慣使用numpy數組，它也是本書大多數内容的基礎。
我們先建立一些簡單的矩陣和數組。
現在我們可以寫一個簡單友善的函數來處理numpy對象。
換種方式來建立數組。
現在我們來看如何建立一些特殊的矩陣。
了解了建立數組和矩陣的知識，我們再看一些整形操作。
接着來看一些矩陣的操作。
最後，我們來看一些轉置、複制和網格操作。
我們再看看numpy庫裡的一些随機數生成例程。
我們先從導入numpy庫開始。
來看看用numpy生成數組的多種方式。
一個數組可以基于清單建立，在前面的示例中，我們聲明了一個具有3個元素的清單，然後用np.array()将這個清單轉為了numpy一維數組。如上面代碼的最後一行所示，我們也可以指定資料的類型。
了解完數組，再來看看矩陣。
我們從listoflist裡建立了一個矩陣，同樣地，我們指定了資料的類型。
在繼續之前，我們得先定義display_shape函數，這個函數我們接下來會經常用到。
所有的numpy對象都有以下3個屬性。
size：給定的numpy對象裡的元素個數。
ndim：維數。
shape：傳回一個包含了numpy對象各個維的長度的元組。
除了列印輸出原始的元素，這個函數列印輸出上述的3個屬性，我們調用這個函數來處理我們之前建立的矩陣。
<code>display_shape(a_matrix)</code>
如圖2-1所示，這個矩陣有9個元素，兩個次元，最後，我們還能在shape參數裡看到維數和每一維的元素個數。在本例中，矩陣有3行3列。
再看另一種建立數組的方法。
numpy的arange函數傳回指定間隔的均勻隔開的數值，本例中，我們所需的是從1到10均勻分布的數值。通路以下url可以擷取更多關于arange的資料。
numpy的linspace和arange類似，差别在于我們需要給出樣例的數量值。使用linspace，我們知道在給定的範圍裡有多少個元素。預設情況下，它傳回50個元素。而使用arange，我們還要指定步長。
numpy給你提供了一些建立特殊數組的函數。
ones()和zero()函數分别用來建立全由1和0填充的矩陣，如圖2-2所示。
機關矩陣的建立方式如下：
參數k控制了1的起始索引值，輸出結果如圖2-3所示。
reshape函數可以控制數組的形态。
通過傳遞參數−1，我們可以将數組轉化為我們所需要的維數，輸入結果如圖2-4所示。
ravel和flatten函數可以用來将矩陣轉化為一維的數組，如圖2-5所示。
我們再看一些矩陣操作，如兩矩陣相加。
再看看矩陣對應元素相乘。
下面是矩陣的乘法操作。
最後，是矩陣的轉置。
min和max函數可以用來找出矩陣中最小和最大的元素，sum函數則用來對矩陣的行或列進行求和，如圖2-6所示。
采用下面的方法将矩陣的元素進行求逆運算。
copy函數可以複制一個矩陣，方法如下。
最後再看一下mgrid函數。
mgrid函數用來查找m維矩陣中的坐标，在前面的示例中，矩陣是三維的，在每一維中，數值的範圍從0到3。我們将xx、yy和zz列印輸出出來以幫助了解，如圖2-7所示。
我們來看每個數組的第1個元素，在本例的三維矩陣空間中，[0,0,0]是第1個坐标，所有3個數組中的第2個元素[0,0,1]是矩陣空間裡的另一個點。據此，使用mgrid函數， 我們能占滿三維坐标系統裡的所有點。
numpy提供了一個random子產品給我們，可以用來定義産生随機數的規則。我們來看産生随機數的示例。
使用random子產品中的randint函數，我們可以生成随機整數。我們需要傳遞start、end和size等3個參數。本例中，我們的起始值為1，結束值為100，步長為10。我們需要介于1到100的10個随機整數，我們得到的傳回結果如圖2-8所示。
我們也可以使用其他包來産生随機數，來看看使用normal包産生10個随機數的示例。
我們使用normal包的normal函數來生成随機數。normal包裡的loc和scale參數分别指定了均值和标準差兩個參數，最後，size參數決定了樣本的數量。
通過傳遞一個行或列的元組，我們也可以産生一個随機的矩陣，示例如下。
上面的示例産生了3×3的矩陣，輸出結果如圖2-9所示。
《analyzing data -explore & wrangle》的第3章中“使用matplotlib進行繪畫的訣竅”部分有相關介紹。
《analyzing data -explore & wrangle》的第3章中“使用scikit learn進行機器學習的訣竅”部分有相關介紹。