Day24：Numpy矩阵操作

上一节我们讲解了Numpy的数组操作，在数据分析和科学计算中，Numpy库不仅提供了数组操作的功能，还提供了矩阵操作的功能。本节将详细介绍Numpy矩阵的广播机制、高级索引、矩阵库(Matrix)以及线性代数相关的操作。

1. 广播机制

Numpy的广播机制是指在对不同形状的数组进行操作时，自动调整数组的形状使其能够进行运算。广播机制的核心是维度的匹配和补全。

维度匹配：对于两个数组，在比较它们的维度时，从后向前比较，两个数组的维度相等或其中一个数组的维度为1时，维度匹配成功，比如维度(3,2)与(4,5,6)就无法匹配。

维度补全：如果两个数组的维度不匹配，Numpy会自动在维度较小的数组的前面补1，直到维度匹配。

下面是一个示例：

import numpy as np

a = np.array([[1, 2, 3]])
b = np.array([[4], [5], [6]])

result = a * b
print(result)

输出结果为：

[[ 4  8 12]
 [ 5 10 15]
 [ 6 12 18]]

2. 高级索引

Numpy提供了多种高级索引方式来访问数组中的元素。其中，布尔型索引和整数型索引是常见的方式。

布尔型索引：可以通过一个布尔型数组来选择数组中的元素。

import numpy as np

data = np.array([[1, 2], [3, 4], [5, 6]])
bool_index = data > 3   # 筛选大于3的元素
result = data[bool_index]
print(result)			# 输出：[4 5 6]

整数型索引：可以使用一个整数数组作为索引，来获取数组中指定位置的元素。

import numpy as np

data = np.array([[1, 2], [3, 4], [5, 6]])
integer_index = np.arra