numpy是机器学习中非常重要和基础的软件包，它提供了机器学习中基本的数据结构（向量）的各种高效操作。本系列记录我在学习过程中的一些心得。
基础概念
首先，numpy中操作的基本对象是向量，向量类似于编程的数组。向量有几个非常重要的基本概念，必须要搞清楚，否则后面对向量的各种操作都很难理解。
维度(dimension)
我们来看几个例子：
对于一维向量a = [1,2,3,4]（可理解为数组），我们要找到其中的一个元素使用a[i]，只需要指定一个索引就够了，比如a[0] = 1。
对于二维向量（可理解为矩阵），找到其中的一个元素需要至少两个索引，比如a[0][0] = 1。
[ |
维度的直观理解是：找到向量中的一个元素所需要索引数量的最小个数。
axis
numpy中的很多函数都有axis这个参数，所以axis也非常有必要理解清楚。 axis可以认为是对维度的索引（从0开始）。axis=0，表示第1维，依次类推。axis=-1表示最高的维度。结合上面shape的理解中，axis=0表示向量中的最外层，axis=-1表示向量中的最里层。后面结合具体的函数再细讲。
shape
shape的中文意思是形状，它表示的是向量在各个维度上元素的个数。
一维向量[1,2,3]，它的维度是1维，shape是(3,)。向量(1,2,3,4)，它的维度也是1维，但它的shape就是(4,)。
上面的二维向量，它的维度是2，shape是（2, 3）。2是怎么来的？假如把最外层的[]去掉，我们得到两个一维向量，所以第1维的shape是2。类似的，3是第二层中向量元素的个数。
对于N维向量，它的shape可以从最里层开始看起。最里层[]中的元素个数就是shape中最右边的那个值。然后将最里层的向量看成一个数字，以此类推。
size
size表示向量中有多少个元素，也就是shape的各个值相乘。
简单总结一下，dimension表示这个向量有几层中括号，shape表示每层有多少个元素，axis指的哪一层。这个定义不准确，只是帮助理解。
向量的创建
在python中，我们知道[1, 2, 3]是一个list。numpy中向量虽然也写成这样的形式，但是向量和python中的list不是等同的。表示向量的类是ndarray。
刚开始可能不太理解Numpy中array和ndarray的区别，numpy中没有array类，只有array()方法。通过array()方法，我们可以将python的list转成ndarray。
例子
>>> import numpy as np |