>>> import numpy as np
>>> a = np.array([[1, 2, 3], [3, 1, 2]])
>>> b = np.array([[5, 2, 6], [5, 1, 2]])
array([[1, 2, 3],
       [3, 1, 2]])
array([[5, 2, 6],
       [5, 1, 2]])
>>> c = a + b
array([[6, 4, 9],
       [8, 2, 4]])
>>> c = (a+b)/2
array([[ 3. ,  2. ,  4.5],
       [ 4. ,  1. ,  2. ]])
                    >>> import numpy as np>>> a = np.array([[1, 2, 3], [3, 1, 2]])>>> b = np.array([[5, 2, 6], [5, 1, 2]])>>> aarray([[1, 2, 3],       [3, 1, 2]])>>> barray([[5, 2, 6],       [5, 1, 2]])>>> c = a
				
Numpy支持大量的维度数组和矩阵运算，对数组运算提供了大量的数学函数库！Numpy比Python列表更具优势，其中一个优势便是速度。在对大型数组执行操作时，Numpy的速度比Python列表的速度快了好几百。因为Numpy数组本身能节省内存，并且Numpy在执行算术、统计和线性代数运算时采用了优化算法。Numpy的另一个强大功能是具有可以表示向量和矩阵的多维数组数据结构。Numpy对矩阵运算进行了优化，使我们能够高效地执行线性代数运算，使其非常适合解决机器学习问题。与Python列表相比，Numpy具有的另一个强大优势是具有大量优化的内置数学函数。这些函数使你能够非常快速地进行各种复杂的数学
				
K-均值是通过对数据集进行分类来聚类的，属于无监督学习，为聚类问题提供了一种解决方案。在数据集没有标注的情况下，便于对数据进行分群。而K-Means中的K即指将数据集分成K个子集合。算法把 n 个点（可以是样本的一次观察或一个实例）划分到 k 个集群（cluster），使得每个点都属于离他最近的均值（即聚类中心，centroid）对应的集群。重复上述过程一直持续到重心不改变。
k均值类算法仅在凸形簇（类似于椭圆形）结构上效果较好。在如下图这种情况k均值效果不好：
算法过程：输入为样本集D和聚类簇数k，输
print(np.mean(a))
print(np.mean(a, axis=0)) # axis=0，计算每一列的均值
print(np.mean(a, axis=1)) # 计算每一行的均值
2.对矩阵求平均值