轉載地址：http://blog.sina.com.cn/s/blog_9470b2b00101rt8a.html
Python使用NumPy包完成了對N-維數組的快速便捷操作。使用這個包，需要導入numpy。 SciPy包以NumPy包爲基礎，大大的擴展了numpy的能力。爲了使用的方便，scipy包在最外層名字空間中包括了所有的numpy內容，因此只要導入了scipy，不必在單獨導入numpy了！但是爲了明確哪些是numpy中實現的，哪些是scipy中實現的，本文還是進行了區分。以下默認已經：import numpy as np 以及 impor scipy as sp
下面簡要介紹Python和MATLAB處理數學問題的幾個不同點。1.MATLAB的基本是矩陣，而numpy的基本類型是多爲數組，把matrix看做是array的子類。2.MATLAB的索引從1開始，而numpy從0開始。
1.建立矩陣
a1=np.array([1,2,3],dtype=int) #建立一個一維數組，數據類型是int。也可以不指定數據類型，使用默認。幾乎所有的數組建立函數都可以指定數據類型，即dtype的取值。
a2=np.array([[1,2,3],[2,3,4]]) #建立一個二維數組。此處和MATLAB的二維數組（矩陣）的建立有很大差別。
同樣，numpy中也有很多內置的特殊矩陣：
b1=np.zeros((2,3)) #生成一個2行3列的全0矩陣。注意，參數是一個tuple：(2,3)，所以有兩個括號。完整的形式爲：zeros(shape,dtype=)。相同的結構，有ones()建立全1矩陣。empty()建立一個空矩陣，使用內存中的隨機值來填充這個矩陣。
b2=identity(n) #建立n*n的單位陣，這隻能是一個方陣。
b3=eye(N,M=None,k=0) #建立一個對角線是1其餘值爲0的矩陣，用k指定對角線的位置。M默認None。
此外，numpy中還提供了幾個like函數，即按照某一個已知的數組的規模（幾行幾列）建立同樣規模的特殊數組。這樣的函數有zeros_like()、empty_like()、ones_like()，它們的參數均爲如此形式：zeros_like(a,dtype=)，其中，a是一個已知的數組。
c1=np.arange(2,3,0.1) #起點，終點，步長值。含起點值，不含終點值。
c2=np.linspace(1,4,10) #起點，終點，區間內點數。起點終點均包括在內。同理，有logspace()函數
d1=np.linalg.companion(a) #伴隨矩陣
d2=np.linalg.triu()/tril() #作用同MATLAB中的同名函數
e1=np.random.rand(3,2) #產生一個3行2列的隨機數組。同一空間下，有randn()/randint()等多個隨機函數
fliplr()/flipud()/rot90() #功能類似MATLAB同名函數。
xx=np.roll(x,2) #roll()是循環移位函數。此調用表示向右循環移動2位。
2.數組的特徵信息
先假設已經存在一個N維數組X了，那麼可以得到X的一些屬性，這些屬性可以在輸入X和一個.之後，按tab鍵查看提示。這裏明顯看到了Python面向對象的特徵。
X.flags #數組的存儲情況信息。
X.shape #結果是一個tuple，返回本數組的行數、列數、……
X.ndim #數組的維數，結果是一個數
X.size #數組中元素的數量
X.itemsize #數組中的數據項的所佔內存空間大小
X.dtype #數據類型
X.T #如果X是矩陣，發揮的是X的轉置矩陣
X.trace() #計算X的跡
np.linalg.det(a) #返回的是矩陣a的行列式
np.linalg.norm(a,ord=None) #計算矩陣a的範數
np.linalg.eig(a) #矩陣a的特徵值和特徵向量
np.linalg.cond(a,p=None) #矩陣a的條件數
np.linalg.inv(a) #矩陣a的逆矩陣
3.矩陣分解
常見的矩陣分解函數，numpy.linalg均已經提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些算法爲了方便計算或者針對不同的特殊情況，還給出了多種調用形式，以便得到最佳結果。
4.矩陣運算
np.dot(a,b)用來計算數組的點積；vdot(a,b)專門計算矢量的點積，和dot()的區別在於對complex數據類型的處理不一樣；innner(a,b)用來計算內積；outer(a,b)計算外積。
專門處理矩陣的數學函數在numpy的子包linalg中定義。比如 np.linalg.logm(A)計算矩陣A的對數。可見，這個處理和MATLAB是類似的，使用一個m後綴表示是矩陣的運算。在這個空間內可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常規exp()對應有三種矩陣形式：expm()使用Pade近似算法、 expm2()使用特徵值分析算法、expm3()使用泰勒級數算法。在numpy中，也有一個計算矩陣的函數：funm(A,func)。
5.索引
numpy中的數組索引形式和Python是一致的。如：
x=np.arange(10)
print x[2] #單個元素，從前往後正向索引。注意下標是從0開始的。
print x[-2] #從後往前索引。最後一個元素的下標是-1
print x[2:5] #多個元素，左閉右開，默認步長值是1
print x[:-7] #多個元素，從後向前，制定了結束的位置，使用默認步長值
print x[1:7:2] #指定步長值
x.shape=(2,5) #x的shape屬性被重新賦值，要求就是元素個數不變。2*5=10
print x[1,3] #二維數組索引單個元素，第2行第4列的那個元素
print x[0] #第一行所有的元素
y=np.arange(35).reshape(5,7) #reshape()函數用於改變數組的維度
print y[1:5:2,::2] #選擇二維數組中的某些符合條件的元素