nrow = len(mat)
ncol = len(mat[0])
for i in range(ncol):
output.append(sum([mat[x][i] for x in range(nrow)]))
print output
1.numpy的导入和使用data1=mat(zeros((
)))
#创建一个3*3的零矩阵，矩阵这里zeros函数的参数是一个tuple类型(3,3)
data2=mat(ones((
)))
#创建一个2*4的1矩阵，默认是浮点型的数据，如果需要时int类型，可以使用dtype=int
data3=mat(random.rand(
))
#这里的random模块使用的是numpy中的random模块，random.rand(2,2)创建的是一个二维数组，需要将其转换成#matrix
data4=mat(random.randint(
10
,size=(
)))
#生成一个3*3的0-10之间的随机整数矩阵，如果需要指定下界则可以多加一个参数
data5=mat(random.randint(
,size=(
))
#产生一个2-8之间的随机整数矩阵
data6=mat(eye(
,dtype=
int
))
#产生一个2*2的对角矩阵
a1=[
]a2=mat(diag(a1))
#生成一个对角线为1、2、3的对角矩阵
因为在Mathematica中使用循环确实是低效的。。。。。。深层次的原因涉及到Mathematica的底层实现所以我不太懂，但是至少从下面几个例子可以看出Mathematica里确实有很多比循环更好的方法
求和
首先举一个最简单的求和例子，求的值。为了测试运行时间取n=10^6
一个刚接触Mathematica的同学多半会这样写
sum = 0
For[i = 1, i <= 10^6, i++,
sum += Sin[N@i]]
(*其中N@i的作用是把整数i转化为浮点数，类似于C里的double*)
sum
为了便于计时用Module封装一下，运行时间是2.13秒，如下图
然后一个有一定Mathematica经验的同学多半会知道同样作为循环的Do速度比For快，于是他可能会这么写
然后一个有一定Mathematica经验的同学多半会知道同样作为循环的Do速度比For快，于是他可能会这么写
sum = 0
Do[sum += Sin[N@i], {i, 1, 10^6}]
sum
如下图，用时1.37秒，比For快了不少
当然了知道Do速度比For快的同学不太可能不知道Sum函数，所以上面其实是我口胡的，他应该会这么写
Sum[Sin[N@i], {i, 1, 10^6}]
如下图，同样的结果，只用了不到0.06秒
如果这位同学还知道Listable属性并且电脑内存不算太小的话，他也可能会这么写
Tr@Sin[N@Range[10^6]]
如下图，只用了不到0.02秒，速度超过For循环的100倍
当然了这只是一个最简单的例子，而且如果数据量更大的话最后一种方法就不能用了。但是这也足以说明在求和时用循环是低效的，无论是内置的Sum函数还是向量化运算，在效率上都远远高于循环
（这部分模仿了不同程序员如何编写阶乘函数这篇文章，强烈推荐对Mathematica有兴趣的同学去看看）
迭代
接下来举一个迭代的例子，（即Logistic map），取，为了测试运行时间同样取n=10^6
还是先用For循环的做法
x = 0.5
For[i = 1, i <= 10^6, i++,
x = 3.5 x (1 - x)
]
x
如下图，运行时间2.06秒
（Do循环和For类似，篇幅所限这里就不写了，有兴趣的同学可以自行尝试）
（Do循环和For类似，篇幅所限这里就不写了，有兴趣的同学可以自行尝试）
然后看看内置的Nest函数
Nest[3.5 # (1 - #) &, 0.5, 10^6]
如下图，用时0.02秒，又是将近两个数量级的效率差异
当然了Nest的使用涉及到纯函数，对于Mathematica初学者来说可能有些难以理解，而且一些比较复杂的迭代不太容易写成Nest的形式，但是在迭代时Nest（还包括Fold）的效率确实要好于循环
当然了Nest的使用涉及到纯函数，对于Mathematica初学者来说可能有些难以理解，而且一些比较复杂的迭代不太容易写成Nest的形式，但是在迭代时Nest（还包括Fold）的效率确实要好于循环
遍历列表
依然举一个简单的例子：求一个列表中偶数的个数。为测试生成10^6个1到10之间的随机整数
list = RandomInteger[{1, 10}, 10^6]
(*生成10^6个随机整数*)
如果用For循环的话代码是这样的
num = 0；
