利用python做数据处理和分析过程中，如在开展机器学习的数据预处理、数据格式转换等等，不可避免的会涉及到各种矩阵变换，其中使用最多的就是numpy下的矩阵变换，以下是日常用到的一些矩阵变换总结，主要有矩阵中数据类型的整体转换、矩阵维度增减、多矩阵拼接、矩阵切片获取和多矩阵迭代等等，当然，pandas也有相应的矩阵变换操作，相对更复杂，后续会逐步发出来，供参考。
1.转换元素类型和增加维度
import numpy as np
data_pre=np.random.randint(2,10,size=[5,3]) #生成一个5*3的二维整形矩阵，数据范围在2~10之间
data_pre = np.array(data_pre, dtype=np.float32) #数据转换为float
target=np.random.random(10) #随机生成一个一维矩阵，10个数
target = np.array(target, dtype=np.float32).reshape(-1, 1) #数据转换为多行1列数据，相当于增加维度，float型，可以不用的。
data_pre= np.arange(0.0, 5.0, 0.1)[:, np.newaxis] #np.arange会生成一个一维矩阵，希望data_pre是一个二维矩阵，用np.newaxis相当于给数据增加一个维度
target=np.random.random(10) #随机生成一个一维矩阵，10个数
target=target.reshape(-1, 1) #实现行转换为列，转换前y_raw为100个数的一维矩阵，转换后y_raw为100*1的二维矩阵2.拉平或降低维度
rng = np.random.RandomState(42) #获得随机数生成器，使得每次得到的随机数系列相同
X = np.sort(5 * rng.rand(100, 1), axis=0) #获的100个0到5的随机数给X,X.shape=(100,1)，二维
y = np.sin(X).ravel() #矩阵多维度拉成一维矩阵,ravel() 返回的是视图,影响原始矩阵y，flatten() 返回的是拷贝。y.shape=(100,)
import cv2
img_data = cv2.imread('data/lena.jpg', cv2.IMREAD_COLOR) #利用opencv读取图片
img_data = img_data.reshape((-1, 3)) #将三维转换为二维，相当于高度和宽度相乘合并,最后一维不变（3列），转换前img_data：225*225*3，转换后50625*3
#整体维度不变，实现第一个维度行数调整，相当于根据labels找到centers[labels]生成新的new_colors数据，按照labels行数增加，如centers：16*3，labels：50625*3，转换后的new_colors为50625*3
# new_colors = centers[labels].reshape((-1, 3))3.拼接矩阵
X_pos=np.random.randn(5,3) #随机生成一个10*3的二维矩阵
X_neg=np.random.randn(5,3) #随机生成一个10*3的二维矩阵
# 行拼接
#方式1：二维矩阵，列数不变，行数顺序追加，相当于行顺序拼接，两个矩阵的列数必须相同
X = np.concatenate((X_pos, X_neg))
#方式2：二维矩阵，列数不变，行数顺序追加，相当于行顺序拼接，两个矩阵的列数必须相同
X2=np.r_[X_pos,X_neg]
# 列拼接
#二维矩阵，行数不变，列数顺序追加，相当于列顺序拼接，两个矩阵的行数必须相同
X1=np.c_[X_pos,X_neg]
y_pos=np.random.random(3) #随机生成一个一维矩阵，3个数
y_neg=np.random.random(5) #随机生成一个一维矩阵，5个数
#一维矩阵，行数不变，列数顺序追加，相当于列顺序拼接
y = np.concatenate((y_pos, y_neg))4.获取矩阵片段
int_list=np.random.randn(10,5) #随机生成一个10*5的二维矩阵
#list获取切片
#int_list[start:stop:step]，参数分别为开始，结束和步长
print(int_list)
#对于一维矩阵，获取第1维度的第0，2，4...，步长为2的数据
#对于二维矩阵，获取第2维度的第0~10列，并指定获取第一维度的步长为2，获取的行数=stop/step，如下示例时5行数据
print(int_list[0:10:2])
print(int_list[0:5,:4]) #获取第1维度的第0~5行，第2维度的前4列数据
#对于三维矩阵
arr_float_3d = np.ones((3, 5, 4))
print(arr_float_3d)
#多维list获取第一通道数据
x=arr_float_3d[0, :, :]
#多维list获取第一通道，0~3行数据，第3列到结束的数据
x=arr_float_3d[0, :3, 3:]5.zip内建函数
zip(*iterables)是内建函数
传入参数：元组、列表、字典等迭代器。
返回参数：一个元组迭代器,将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。主要用于遍历元组。
如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。
X1=np.random.random(5) #随机生成一个一维矩阵，5个数
Y1=np.random.randn(5).astype(np.int32) #随机生成一个一维矩阵，5个数，转换为整数
Z1=np.array([True, False, True, True, False]) #列表，bool值
zz=zip(X1,Y1,Z1)
result = [(a,b,c) for a,b,c in zip(X1,Y1,Z1)]
print(result)
x,y,z=zip(*zz) #元组转换为列表
print(list(x))
zz=zip() #没有参数时，返回的是空列表