一、一維矩陣的基礎運算

下例中 a和b是兩個屬性為array也就是矩陣的變數，而且二者都是1行4列的矩陣， 其中b矩陣中的元素分別是從0到3。 如果我們想要求兩個矩陣之間的減法，你可以嘗試著輸入：a-b,得到的結果是對應元素相減的結果也就是[10 19 28 37]，同理元素的相加相乘操作也是一樣的，但是需要注意：python中的x的y次方是通過x**y語句實現的。另外，Numpy中具有很多的數學函式工具，比如三角函式等，當我們需要對矩陣中每一項元素進行函式運算時，可以很簡便的呼叫它們。除了函式應用外，在指令碼中對print函式進行一些修改可以進行邏輯判斷，此時由於進行邏輯判斷，返回的是一個bool

下述運算均是建立在一維矩陣，即只有一行的矩陣上面的計算。

>>> import numpy as np
>>> a=np.array([10,20,30,40])
>>> b=np.arange(4)
>>> print(a)
[10 20 30 40]
>>> print(b)
[0 1
 
 2 3]
>>> print(a-b)
[10 19 28 37]
>>> print(a+b)
[10 21 32 43]
>>> print(b**2)
[0 1 4 9]
>>> print(np.sin(a))
[-0.54402111  0.91294525 -0.98803162  0.74511316]
>>> print(b<3)
[ True  True  True False]
>>> 

二、二維矩陣的基礎運算

構建兩行兩列的矩陣a,b

>>> import
 
 numpy as np
>>> a=np.array([[1,1],[0,1]])
>>> print(a)
[[1 1]
 [0 1]]
>>> b=np.arange(4).reshape((2,2))
>>> print(b)
[[0 1]
 [2 3]]

此時構造出來的矩陣a和b便是2行2列的，其中reshape操作是對矩陣的形狀進行重構， 其重構的形狀便是括號中給出的數字。 稍顯不同的是，Numpy中的矩陣乘法分為兩種， 其一是前文中的對應元素相乘，其二是標準的矩陣乘法運算(dot)，即對應行乘對應列得到相應元素：

>>> c=np.dot(a,b)
>>> print(c)
[[2 4]
 [2 3]]

除此之外還有另外的一種關於dot的表示方法，即：

>>> c=a.dot(b)
>>> print(c)
[[2 4]
 [2 3]]

下面我們將重新定義一個指令碼, 來看看關於 sum(), min(), max()的使用：

>>> import numpy as np
>>> a=np.random.random((2,4))
>>> print(a)
[[0.07010833 0.19889998 0.38917305 0.0794427 ]
 [0.81524484 0.96631118 0.95301291 0.25478591]]

因為是隨機生成數字, 所以你的結果可能會不一樣. 在第二行中對a的操作是令a中生成一個2行4列的矩陣，且每一元素均是來自從0到1的隨機數。 在這個隨機生成的矩陣中，我們可以對元素進行求和以及尋找極值的操作，具體如下：

>>> np.sum(a)
3.7269788971146403
>>> np.min(a)
0.07010832669552214
>>> np.max(a)
0.9663111797693855

對應的便是對矩陣中所有元素進行求和，尋找最小值，尋找最大值的操作。 可以通過print()函式對相應值進行列印檢驗。

如果你需要對行或者列進行查詢運算，就需要在上述程式碼中為 axis 進行賦值。 當axis的值為0的時候，將會以列作為查詢單元， 當axis的值為1的時候，將會以行作為查詢單元。

為了更加清晰，在剛才的例子中我們繼續進行查詢：

>>> print('a=',a)
a= [[0.07010833 0.19889998 0.38917305 0.0794427 ]
 [0.81524484 0.96631118 0.95301291 0.25478591]]
>>> print('sum=',np.sum(a,axis=1))
sum= [0.73762406 2.98935484]
>>> print('sum=',np.sum(a,axis=0))
sum= [0.88535317 1.16521116 1.34218596 0.33422861]
>>> print('sum=',np.min(a,axis=0))
sum= [0.07010833 0.19889998 0.38917305 0.0794427 ]
>>> print('sum=',np.max(a,axis=1))
sum= [0.38917305 0.96631118]