一、行列式连接concatenate函数，axis=0是垂直拼接，axis=1是水平拼接
x=np.array([[1.0,],[,]]);
y=np.array([[5.0,],[,]]);
z=np.concatenate((x,y),axis=);
print x,'\n\n'
print y,'\n\n' print z
[[ . .]
[ . .]] [[ . .]
[ . .]] [[ . .]
[ . .]
[ . .]
[ . .]]
另一种方法有：
z = vstack((x,y)) # Same as z = concatenate((x,y),axis = 0)
z = hstack((x,y)) # Same as z = concatenate((x,y),axis = 1)
二、行列式选取可能降维
>>> x = array([[1.0,2],[3,4]])
>>> x[:1,:] # Row 1, all columns, 2-dimensional
array([[ 1., 2.]])
>>> x[0,:] # Row 1, all columns, dimension reduced
array([ 1., 2.])
2、查看行列式的维数使用，np.ndim(A)函数
3、重复扩展，相当于在方括号内元素扩展
>>> x = array([[0.0]*3]*3) # *3 repeats the list 3 times
>>> x
array([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
4、修改行列式元素值时，需要注意类型。可能会被修改，numpy中，会自动将插入的数据类型修改为行列式类型
>>> x = [, , , , ] # Integers
>>> y = array(x)
>>> y.dtype
dtype(’int32’)
>>> y[] = 3.141592
>>> y
array([, , , , ])
5、行列式的转置和重改维度大小
B=A.T#行列式转置
B=np.reshape(A,(m,n)),#m,n是要更后改的行数和列数
6、flat切片，他将行列式转换成一维行列式，进行切片
a=np.arange();
b=np.reshape(a,(,));
b.flat[:]
array([, , , , ])
7、行列式复制三种方法（1）copy()
import copy as cp
a=np.arange(10);
b=np.reshape(a,(2,5));
x1=cp.deepcopy(b[0]);#函数法
x2=b[:,0].copy();#方法
x3=np.array(b[0]);#array行列式
print b
print b[0];
print x1
print x2
print x3,'\n\n\n'
x1[0]=12;
print b
print b[0];
print x1
print x2
print x3,'\n\n\n'
x2[0]=20;
print b
print b[0];
print x1
print x2
print x3,'\n\n\n'
x3[0]=50
x2[0]=20;
print b
print b[0];
print x1
print x2
print x3,'\n\n\n'
[[0 1 2 3 4]
[5 6 7 8 9]]
[0 1 2 3 4]
[0 1 2 3 4]
[0 5]
[0 1 2 3 4] [[0 1 2 3 4]
[5 6 7 8 9]]
[0 1 2 3 4]
[12 1 2 3 4]
[0 5]
[0 1 2 3 4] [[0 1 2 3 4]
[5 6 7 8 9]]
[0 1 2 3 4]
[12 1 2 3 4]
[20 5]
[0 1 2 3 4] [[0 1 2 3 4]
[5 6 7 8 9]]
[0 1 2 3 4]
[12 1 2 3 4]
[20 5]
[50 1 2 3 4]
8、导入模块
import pylab as pl
import scipy as sp
import numpy as np
9、数组运算
(1)加减运算都符合线性代数运算
(2)乘运算要注意数组的广播机制，还不太理解？？？？？？？？？？？
一般的：数组运算是元素与元素相乘，矩阵相乘是符合线性代数运算机制的
想要改变数组的运算机制符合线性代数运算机制可以通过函数np.dot(A,B)
x=np.ones((,));
y=np.ones((,));
print np.dot(x,y) [[ . .]
[ . .]]
(3)除运算，数组和矩阵都是元素与元素之间的运算。
x=np.ones((,))*;
y=np.ones((,))*;
x/y array([[ ., ., ., .],
[ ., ., ., .]])
x=np.mat(np.ones((,))*)
y=np.mat(np.ones((,))*)
x/y matrix([[ ., ., ., .],
[ ., ., ., .]])
(4)指数运算
对于数组是元素的指数运算
x=np.array([,,]);
x** array([, , ])
对于矩阵是Z=A**m,是矩阵A碟乘m次,对于m在python中必须是整数，可以是负数，如果是负数，则Z=inv(A**(abs(m)));
x=np.mat(np.reshape(np.arange(),(,)))
print x
x** [[ ]
[ ]
[ ]] matrix([[ , , ],
[ , , ],
[ , , ]])
(5)矩阵转置运算A.transpose(),transpose(A),A.T都表示矩阵A的转置
x=np.mat(np.random.randn(,))
print x;
x.T*x [[-1.02490428 1.76366191]
[ 0.48344916 -0.36091476]] matrix([[ 1.28415188, -1.98206858],
[-1.98206858, 3.2407628 ]])
10、数组切片的不同
当使用切片或标量进行赋值时，不会复制内容。而是产生一个视图。当使用索引或逻辑值进行赋值时，会对原始数组进行复制。
a=np.arange();
b=a[:];
c = a[[,,,]]
print a
print b
b[]=;
print a
print b
print c
[ ]
[ ]
[ ]
[ ]
[ ]