1

NumPy函数库是Python开发环境的一一个独立模块，而且大多数Python发行版没有默认安装NumPy函数库，因此在安装Python之后必须单独安装NumPy函数库。

2

(1)Windows命令行提示符下输人c: \Python？\python. exe

(2)通过anaconda/anaconda Prompt进入

(3)Linux或者Mac OS的终端上输入python,进入Python sell开发环境。

今后，一旦看到“>>>”提示符就意味着我们已经进人Python sell开发环境:

3

在python开发环境中输入如下命令：

>>>import numpy as np

>>>np.random.rand(4,4)

此命令创造了一个4X4的随机数组,因为产生的是随机数组,不同计算机的输出结果可能与上述结果完全不同。

4

调用mat()函数可以将数组转化为矩阵，输入如下命令：

>>>randMat=np.mat(np.romdom.rand(4,4))

>>>randMat.I # I实现了矩阵求逆的运算

5

(1)执行下面的命令存储逆矩阵：

>>>invRandMat = randMat.I

(2)接着执行矩阵乘法，得到矩阵与其逆矩阵相乘的结果：

>>>randMat*invRandMat

6

输入下述命令，得到误差值：

>>>myEye= randMat*invRandMat>>>myEye - np.eye(4)

7

函数eye(4)创建4X4的单位矩阵。

只要能顺利完成上述例子，就说明已经正确安装了NumPy函数库

END

机器学习算法涉及很多线性代数知识在使用Python语言构造机器学习应用时，会经常使用NumPy函数库。这里用到线性代数是为了简化不同的数据点上执行的相同数学运算。将数据表示为矩阵形式，只需要执行简单的矩阵运算而不需要复杂的循环操作。在你开始学习机器学习算法之前，必须确保可以正确运行Python开发环境，同时正确安装了NumPy函数库。NumPy函数库是Python开发环境的一个独立模块，而且大多数Python发行版没有默认安装NumPy函数库，因此在安装Python之后必须单独安装 NumPy函数库。在Windows系统下安装numpy请参考https://blog.csdn.net/qq_43354004/article/details/105162767。
（一）构造随机数组
先输入from numpy import * 命令将NumPy函数库中的所有模块引入当前的命名空间。接着开始构造一个4x4的随机数组，因为产生的是随机数组，不同计算机的输出结果可能与上述结果完全不同。示例如下：

执行结果：

（二）调用mat()函数将数组转化为矩阵
NumPy函数库中存在两种不同的数据类型（矩阵matrix和数组 array），都可以用于处理行列表示的数字元素。虽然它们看起来很相似，但是在这两个数据类型上执行相同的数学运算可能得到不同的结果，其中NumPy函数库中的matrix与MATLAB中matrices等价。
调用mat()函数可以将数组转化为矩阵，在后面加上.I操作符可以实现矩阵求逆的运算。示例如下：

（三）矩阵的乘法
使用*执行矩阵乘法，得到矩阵与其逆矩阵相乘的结果。示例如下：

结果应该是单位矩阵，除了对角线元素是1，4x4矩阵的其他元素应该全是0。实际输出结果略有不同，矩阵里还留下了许多非常小的元素， 这是计算机处理误差产生的结果。输入下述命令，得到误差值。函数eye(4)创建4×4的单位矩阵。示例如下：

1. 安装numpy库：pip install  numpy 

2. 将numpy函数库中的所有模块引入：

from numpy import *

3. 构造一个4*4的随机数组：

randArray = random.rand(4,4)
print(randArray)

4.mat()函数：将数组转化为矩阵：

randMat = mat(random.rand(4,4))
print(randMat)

5. 求逆矩阵.I操作符

randMat = mat(random.rand(4,4))
print(randMat)
invRandMat = randMat.I
print(invRandMat)

6.执行矩阵乘法：

randMat = mat(random.rand(4,4))
print(randMat)
invRandMat = randMat.I
print(invRandMat)
Multi = randMat*invRandMat
print(Multi)

结果应收是单位矩阵，除了对角线元素为1，其他元素应该为0，实际的输出略有不同，因为矩阵例还留下了许多非常小的元素，这是计算机处理误差产生的结果。

import numpy
vector = numpy.array([5,10,15,20])
matrix = numpy.array([[5,10,15],[20,25,30]])
print(vector)
print(matrix)
print(vector.shape)
print(matrix.shape)

.dtype查看类型

import numpy
numbers = numpy.array([1,2,3,4])
print(numbers)
numbers.dtype

import numpy
numbers = numpy.array([1,2,3,4.0])
print(numbers)
numbers.dtype

import numpy
vector = numpy.array([5,10,15,20])
vector == 10

import numpy
matrix = numpy.array([
        [5,10,15],
        [20,25,30],
        [35,40,45]
                     ])
matrix == 25

import numpy
vector = numpy.array([5,10,15,20])
equal_to_ten = (vector == 10)
print (equal_to_ten)
print(vector[equal_to_ten])

与运算和或运算：

import numpy
vector = numpy.array([5,10,15,20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
print (equal_to_ten_and_five)

import numpy
vector = numpy.array([5,10,15,20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
print (equal_to_ten_and_five)

类型转换：

import numpy
vector = numpy.array(["5","10","15","20"])
print(vector.dtype)
print(vector)

vector = vector.astype(float)
print(vector.dtype)
print(vector)

求最小、最大值：

import numpy
vector = numpy.array([5,10,15,20])
min = vector.min()
print(min)
max = vector.max()
print(max)

计算每一行的和值：

import numpy
matrix = numpy.array([
        [5,10,15],
        [20,25,30],
        [35,40,45]
                     ])
matrix.sum(axis=1)

计算每一列的和值：

import numpy
matrix = numpy.array([
        [5,10,15],
        [20,25,30],
        [35,40,45]
                     ])
matrix.sum(axis=0)

import numpy as np #用np代替numpy
print(np.arange(15)) 
a = np.arange(15).reshape(3,5)
print(a)
a.shape
a.size #当前矩阵包含多少个元素
a.ndim  #当前矩阵的维度
a.dtype.name #当前矩阵的类型

import numpy
vector = numpy.array([5,10,15,20])
matrix = numpy.array([[5,10,15],[20,25,30]])
print(vector)
print(matrix)
print(vector.shape)
print(matrix.shape)

.dtype查看类型

import numpy
numbers = numpy.array([1,2,3,4])
print(numbers)
numbers.dtype

import numpy
numbers = numpy.array([1,2,3,4.0])
print(numbers)
numbers.dtype

import numpy
vector = numpy.array([5,10,15,20])
vector == 10

import numpy
matrix = numpy.array([
        [5,10,15],
        [20,25,30],
        [35,40,45]
                     ])
matrix == 25

import numpy
vector = numpy.array([5,10,15,20])
equal_to_ten = (vector == 10)
print (equal_to_ten)
print(vector[equal_to_ten])

与运算和或运算：

import numpy
vector = numpy.array([5,10,15,20])
equal_to_ten_and_five = (vector == 10) & (vector == 5)
print (equal_to_ten_and_five)

import numpy
vector = numpy.array([5,10,15,20])
equal_to_ten_or_five = (vector == 10) | (vector == 5)
print (equal_to_ten_and_five)

类型转换：

import numpy
vector = numpy.array(["5","10","15","20"])
print(vector.dtype)
print(vector)

vector = vector.astype(float)
print(vector.dtype)
print(vector)

求最小、最大值：

import numpy
vector = numpy.array([5,10,15,20])
min = vector.min()
print(min)
max = vector.max()
print(max)

计算每一行的和值：

import numpy
matrix = numpy.array([
        [5,10,15],
        [20,25,30],
        [35,40,45]
                     ])
matrix.sum(axis=1)

计算每一列的和值：

import numpy
matrix = numpy.array([
        [5,10,15],
        [20,25,30],
        [35,40,45]
                     ])
matrix.sum(axis=0)

import numpy as np #用np代替numpy
print(np.arange(15)) 
a = np.arange(15).reshape(3,5)
print(a)
a.shape
a.size #当前矩阵包含多少个元素
a.ndim  #当前矩阵的维度
a.dtype.name #当前矩阵的类型