如果你在进行大矩阵运算的时候，想必大家最想用的肯定是python的numpy数据格式把。但是以前的我，只会用for循环（反正只要达到目的），但是当你有个几十w行的feature，每个有几千维的时候，那真是要处理无数无数无数无数天啊！！！于是，经导师的一番“刺激”后，小肚决定用：矩阵运算大发提高运算速率。效果显著！能提高180倍。So，我之前是干嘛了？[微博狗的表情]
—————–踩坑无数，总结了这篇系统的文章，如果喜欢，欢迎大家浏览—————
1. 最大最小值
np.max(X, axis=0) #每一列的最大值
np.min(X, axis=0) #每一列的最小值
np.max(X, axis=1) #每一行的最大值
np.min(X, axis=1) #每一行的最小值
######从这里总结出，axis=0是对列的处理，axis=1是对行的处理，缺省时时对所有的元素进行最大最小值求取。对以后的函数也是这样的####2. 改变numpy的行列数目
X.reshape((m,n)) #将X变成m行n列的矩阵。但是X.shape[0]*X.shape[1] = m*n （针对二维数组而言，其他的也要保证重塑后元素的个数不会改变）3. 复制numpy的行或者列
X.repeat(m, axis=0) #将X按列进行复制m行。即如果X是(x1, y1)，则复制后变为(x1*m, y1)。即把(x1, y1)复制m遍“放在下面”。
X.repeat(m, axis=1) #将X按行进行复制m列。即如果X是(x1, y1)，则复制后变为(x1, y1*m)。即把(x1, y1)复制m遍“放在右边”。
#axis缺省时时将X的每一个元素复制m次，并按照“先行后列”的顺序拉为1维。
e.g. a = np.array([[1,2,3],[4,5,6]])
a.repeat(2) = array([1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6])4. numpy转置
X.transpose()5. L2 L1norm
np.linalg.norm(X, ord=1, axis=1) #ord=1表示是L1 norm，ord=2表示是L2norm，axis=1表示是对行进行norm，axis=0表示是对列进行norm，缺省时对所有的进行norm。6. 求均值和方差，标准差
np.mean(X, axis=1) #axis=1表示是对行进行求均值，axis=0表示是对列进行求均值，缺省时对所有的元素求均值。
np.std(X, axis=1) #axis=1表示是对行进行标准差求取，axis=0表示是对列进行标准差求取，缺省时对所有的元素求均值。
np.var(X, axis=1) #axis=1表示是对行进行方差求取，axis=0表示是对列进行方差求取，缺省时对所有的元素求均值。7. 求内积
np.dot(X, Y) #其中X=(m,n), Y=(n,z)必须保证X的列数和Y的行数相同8. 判断元素在不在numpy中
if num in X: #num是不是在X中
if num in X[1,0:5]: #num是不是在X的第一列的前5个元素中9. numpy排序
由于我的目的就是将每一行中的元素分别按照从大到小的顺序排序，所以我用第二个函数就好。这里不细讲其他的排序方法，详情请见我参考的博客。
np.argsort(X, axis=1) #对X的每一行中的元素“分别”进行排序，返回的是从小到大的元素的位置信息。axis=0时是对X的每一列中的元素“分别”进行排序，缺省时axis=1
np.argsort(-X, axis=1) #返回的是从大到小的元素的位置信息。