Numpy是Python的一个科学计算库，提供了矩阵运算的功能。安装方法可以直接使用pip install numpy命令，也可以在http://sourceforge.net/projects/numpy/files/NumPy/上下载与python相应版本的exe文件。
这里就记录下在学习和使用Numpy中所用过的一些函数方法，随时进行补充。
numpy的官方文档：http://docs.scipy.org/doc/numpy/reference/
1.导入Numpy
导入方法如下：
2.多维数组
使用numpy.arange
这是生成一维数组，如果是要生成多维数组，则再使用reshape函数,如下图：
这里就生成了一个5*2的数组
使用numpy.array
可以使用list列表或者tuple元组作为参数生成一维或多维数组
另外，还可以指定数据类型，如numpy.int32,numpy.int16,numpy.float64等等。
使用numpy.zeros,numpy.ones,numpy.eye函数可以生成特定的矩阵
使用mat函数可以将数组转化为矩阵
数组的属性
如上图所示，
ndim：表示数组的维度
shape：表示数组的行数和列数
size：表示数组的元素个数
dtype：表示数组的数据类型
itemsize：表示每个元素所占的字节数
tile函数可以用于扩充数组元素
tile（A，repl）可以用于扩充数组的元素，A表示需要扩充的矩阵或数组，而repl参数如果是一个数，表示对A中元素的重复次数，如果repl = （x,y)，则y表示对A中元素重复的次数，而x是对进行y次重复得到的数组所要扩充的次数，下图是官方的例子
3.numpy的argsort函数用法
通过help函数获取argsort函数的介绍，从介绍可以得知其返回的是数组值从小到大排序的索引值
这里也参考[numpy中argsort函数用法]这篇文章的介绍。
(http://www.aichengxu.com/view/15541)
以下分别是一维数组和二维数组的使用例子：
另外，对于二维数组还可以设置axis参数，当axis= 0 表示按列排序，而axis=1表示按行排序。
另外说到排序，还有两个常用的函数sort和sorted，详细内容请看：http://maoersong.blog.163.com/blog/static/171557351201424105925681/?newFollowBlog
4.对多维数组的索引
对多维数组的索引有以下几种方法：
（1）切割索引
import numpy as np
# Slicing indexing
# Create the following rank 2 array with shape (3,4)
# [[1 2 3 4]
# [5 6 7 8]
# [9 10 11 12]]
a = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
# Use slicing to pull out the subarray consisting of the first 2 rows
# and columns 1 and 2; b is the following array of shape (2,2):
# [[2 3]
# [6 7]]
b = a[:2, 1:3]
# A slice of an array is a view into the same data, so modifying it
# will modify the original array
print a[0,1] # Prints "2"
b[0, 0] = 55 # b[0, 0] is the same piece of data as a[0, 1]
print a[0, 1] # Prints "55"
（2）整数索引
# Integer array indexing
# The returned array will have shape(3,)
print a[[0, 1 , 2], [2, 3, 2]] # Prints "[ 3 8 11]"
# The above example of integer array indexing is equivalent to this:
print np.array([a[0, 2], a[1, 3], a[2, 2]]) # Prints "[ 3 8 11]"
# When using integer array indexing, you can reuse the same
# element from the source array:
print a[[0, 0], [1, 1]] # Prints "[2 2]"
# Equivalent to the previous integer array indexing example
print np.array([a[0, 1], a[0,1]]) # Prints "[2 2]"（3）布尔值索引
# Boolean array indexing
bool_idx = (a > 3) # Find the elements of a that are bigger than 3;
# this returns a numpy array of Boolean of the same
# shape as a, where each slot of bool_idx tells
# whether that element of a is > 2
print bool_idx # Prints "[[False False False True]"
# [ True True True True]
# [ True True True True]]
# We use boolean array indexing to construct a rank 1 array
# consisiting of the elements of a corresponding to the True values
# of bool_idx
print a[bool_idx] # Prints "[ 4 5 6 7 8 9 10 11 12]"
# We can do all of the above in a single concise statement:
print a[a > 3] # Prints "[ 4 5 6 7 8 9 10 11 12]"