最近，学了numpy库，颇有心得，能够快速解决一些问题，下面就来给大家分享分享。
并推荐大家看看这个numpy的强大之处;
1线性代数问题：
在线性代数里面常见的就是矩阵的加减乘和逆矩阵，求解方程组的问题；
（1）逆矩阵问题：
在线性代数中求矩阵的逆矩阵常用的方法有以下三种：
（求余子式）
（矩阵分块）
（化行阶梯将矩阵与单位矩阵转化为增广矩阵，前者为单位阵）
今天来介绍用numpy库来实现逆矩阵的求解;
A矩阵=[[1,0,2],[4,2,1],[1,2,0]]三行三列的矩阵；
B矩阵为其逆矩阵，
eg:
调用numpy库的linalg.inv()，就可实现逆矩阵的求解;
（2）求解方程组问题;
eg:
x-y-z=2
2x-y-3z=1
3x+2y-5z=0
求x,y,z值
程序代码如下：
import numpy as np
A=np.mat(“1 -1 -1;2 -1 -3;3 2 -5”)
B=np.array([2,1,0])
result=np.linalg.solve(A,B)
print(“x={},y={},z={}”.format(result[0],result[1],result[2]))
其中A是未知数的系数,一行3个；B为方程组等式右边的值，分别为2,1,0
调用np.linalg.solve()，将A,B作为参数传入，便可得到答案x=5,y=0，z=3；
（3）矩阵的加减乘;
2其他数学问题:
求一组数据的方差，标准差
在数学中，就会去求平均数和每组数据与平均数的差的平方，算起来比较麻烦;
在numpy库中调用ndarray.sd()和ndarray.var()就可以实现；
numpy里面还有解决许多常见的数学问题的方法,例如，求向量的积，三角函数，对数函数，指数函数，随机函数，概率统计的常见的分布函数，积分等，可以快速帮助我们解决问题。