1.广播法则 不同维度的数组相加减，如下一维减去二维的数组 >>> b array([[0], [1], [2], [3], [4], [5]]) >>> a array([1, 2, 3, 4, 4, 5]) >>> a-b array([[ 1, 2, 3, 4, 4, 5], [ 0, 1, 2, 3, 3, 4], [-1, 0, 1, 2, 2, 3], [-2, -1, 0, 1, 1, 2], [-3, -2, -1, 0, 0, 1], [-4, -3, -2, -1, -1, 0]]) >>> x = np.array([[1,2,2],[2,3,5],[4,2,6],[9,12,4],[5,1,1]]) >>> x array([[ 1, 2, 2], [ 2, 3, 5], [ 4, 2, 6], [ 9, 12, 4], [ 5, 1, 1]]) >>> x.shape (5, 3) >>> y = np.array([[1,2,3]]) >>> y array([[1, 2, 3]]) >>> y.shape (1, 3) >>> x-y array([[ 0, 0, -1], [ 1, 1, 2], [ 3, 0, 3], [ 8, 10, 1], [ 4, -1, -2]]) tile函数用法:http://jingyan.baidu.com/article/219f4bf7da4d8dde442d389e.html tile(A,n)，功能是将数组A重复n次，构成一个新的数组 >>> x-np.tile(y,(5,1)) array([[ 0, 0, -1], [ 1, 1, 2], [ 3, 0, 3], [ 8, 10, 1], [ 4, -1, -2]]) 2.sort排序 参考网站：https://docs.scipy.org/doc/numpy/reference/generated/numpy.sort.html，http://blog.csdn.net/sloanqin/article/details/50130253 >>> a = np.array([[1,4],[3,1],[12,0],[2,1],[4,2]]) >>> a array([[ 1, 4], [ 3, 1], [12, 0], [ 2, 1], [ 4, 2]]) 调用np.sort(axis=0)，差不多是按列排序，如下例子，有两列，每列都是从小到大排序 >>> a.sort(0) >>> a array([[ 1, 0], [ 2, 1], [ 3, 1], [ 4, 2], [12, 4]]) 若是调用np.sort()，差不多按行排序，如下例子，每一行，都是从小到大 >>> a.sort() >>> a array([[ 1, 4], [ 1, 3], [ 0, 12], [ 1, 2], [ 2, 4]]) 3.array和list相减还是array，matrix和list相减还是matrix，但是相减的结果再平方，array不会报错误，而matrix会报错 原因在于array可以平方，而matrix只有方阵时才可以平方 如果若真想平方，则必须采用np.square() >>> a = [1,2,3,4,5,6] >>> b = [2,4,5,8,7,9] >>> b = np.array(b) >>> b-a array([1, 2, 2, 4, 2, 3]) >>> (b-a)**2 array([ 1, 4, 4, 16, 4, 9]) >>> b = np.mat(b) >>> b matrix([[2, 4, 5, 8, 7, 9]]) >>> b-a matrix([[1, 2, 2, 4, 2, 3]]) >>> (b-a)**2 Traceback (most recent call last): File "<stdin>", line 1, in <module> File "/usr/local/lib/python2.7/dist-packages/numpy/matrixlib/defmatrix.py", line 356, in __pow__ return matrix_power(self, other) File "/usr/local/lib/python2.7/dist-packages/numpy/matrixlib/defmatrix.py", line 173, in matrix_power raise ValueError("input must be a square array") ValueError: input must be a square array 如果若真想平方，则必须采用np.square() >>> np.square(b-a) matrix([[ 1, 4, 4, 16, 4, 9]]) 4.Python的星号（*、**）的作用 >>> a. 函数的可变参数 >>> b. 星号*把序列/集合解包（unpack）成位置参数，两个星号**把字典解包成关键字参数 5.numpy切片的一些小注意点 >>> a array([ 1, 3, 4, 21, 35, 432, 5]) >>> a = a.reshape(len(a),1) >>> a array([[ 1], [ 3], [ 4], [ 21], [ 35], [432], [ 5]]) >>> a.shape (7, 1) >>> a[0:1] # 这个很重要 array([[1]]) >>> a[0:1,0] # 看看区别 array([1]) >>> a[0:1,:] array([[1]]) >>> a[1] array([3]) >>> a[1,0] 3 6.python列表生成式的注意点 --- 一般写列表生成式时，把要生成的元素放到前面，后面跟for循环，同时后面可以加上if判断 ---但是有一种特殊情况，当if判断语句中有生成的元素，则if放在前面，如下面例子： >>> L = ['Java' , 'C' , 'Swift' , 'Python' , 123] >>> print [s.lower() if isinstance(s , str) else s for s in L ] ['java', 'c', 'swift', 'python', 123] 这样if放在后面，会发生错误 >>> print [s.lower() for s in L if isinstance(s , str) else s] File "<stdin>", line 1 print [s.lower() for s in L if isinstance(s , str) else s] ^ SyntaxError: invalid syntax 而去掉else s，就需要把if放在后面了 >>> print [s.lower() for s in L if isinstance(s , str)] ['java', 'c', 'swift', 'python'] 还有个特例需要注意： >>> alist = [[(1, 2), (7, 5)], [(3, 9), (8, 5)], [(6, 1), (12, 90)]] >>> [para for para in l for l in alist] Traceback (most recent call last): File "<stdin>", line 1, in <module> NameError: name 'l' is not defined >>> [para for l in alist for para in l] [(1, 2), (7, 5), (3, 9), (8, 5), (6, 1), (12, 90)] >>> [para for para in [l for l in alist]] [[(1, 2), (7, 5)], [(3, 9), (8, 5)], [(6, 1), (12, 90)]] 关键点就在于多了一个列表框[],因此才可以这样的顺序，一般列表生成式的嵌套循环顺序是从左至右的（→） 7.列表的深复制，Python列语言中函数参数是列表类型时，参数是按照引用方式传递的。因此可以如下这样做： >>> a = [1,2,3,4] >>> b = a[:] >>> b [1, 2, 3, 4] >>> c = a >>> a[0] = 98 >>> a [98, 2, 3, 4] >>> c [98, 2, 3, 4] # c随着a的值改变而改变，因为c和a指向同一个区域 >>> b [1, 2, 3, 4] # b并不改变，因为其新开辟了一块内存区域，使得b指向它
8.numpy的切片复制和深复制，以及布尔型索引
<1>由第7点可知，python的列表切片可以深复制，但是numpy的切片只能浅复制，如：
In [1]: a Out[2]: [1, 2, 3, 4]
In [3]: a = np.array(a)# 开辟一块内存存储数组a的值 In [4]: a Out[5]: array([1, 2, 3, 4]) In [6]: b = a[:] # 试图复制a的值，其实这只是引用 In [7]: b Out[8]: array([1, 2, 3, 4]) In [9]: b[1]=99 In [10]: b Out[11]: array([ 1, 99, 3, 4]) In [12]: a Out[13]: array([ 1, 99, 3, 4]) # 注意看此处，a的值也改变了，说明这种方式只是引用，不是真的复制
<2>如果使用copy方法，就是深复制了，如：
In [16]: a Out[16]: array([ 1, 99, 3, 4]) In [17]: c = a.copy() In [18]: c Out[18]: array([ 1, 99, 3, 4]) In [19]: c[0]=76 In [20]: c Out[20]: array([76, 99, 3, 4]) In [21]: a Out[21]: array([ 1, 99, 3, 4]) # c的改变并不影响到a的值
<3>再来看看布尔型索引，也不会改变原值，如：
In [21]: a Out[21]: array([ 1, 99, 3, 4]) In [22]: d = a[a!=99] # 布尔型索引，得到a数组中不等于99的值，a!=99返回的是array([ True, False, True, True], dtype=bool) In [23]: d Out[23]: array([1, 3, 4]) In [24]: d[2] = 52 # 改变d数组中的值 In [25]: d Out[25]: array([ 1, 3, 52]) In [26]: a Out[26]: array([ 1, 99, 3, 4]) # 发现a数组并不受影响，可以知道布尔型索引会重新开辟一块内存再存储d数组，而不再是指向原来的a。
<4>布尔型索引还可以是多种条件的组合，通过（&或者是|来连接）如：
In [28]: a Out[28]: array([ 1, 99, 3, 4])
In [29]: e = a[(a!=99) & (a!=3)]# 记得括号
In [30]: e Out[30]: array([1, 4])
总结：一维数组的索引与切片和Python列表的功能类似，区别在于，数组切片是原始数组的视图，这意味着数据不会被复制，对视图的任何修改都会直接反映到原数组上。NumPy如此设计的目的是为了处理大数据，如果采取复制的方法可能产生性能和内存的问题。如果一定要复制可以使用copy方法显式的复制。通过布尔型索引选取数组中的数据，将总是创建副本，即使返回一模一样的数组。
9.numpy模块里的axis后面的值是指定一个轴做运算 10.numpy.newaxis 从字面上是插入新的维度的意思 >>> b = np.array([1, 2, 3]) >>> b[np.newaxis] array([[1, 2, 3]) 看一下转置的时候有什么区别 >>> np.transpose(b) array([1, 2, 3]) >>> np.transpose(c) array([[1], [2], [3]]) 11.关于创建array数据时，类型的重要性！！ ndarray是一个通用的同构数据多维容器，也就是说，其中的所有元素必须是相同类型的。 在创建数组时，要么手动指定数据类型，要么np.array会尝试为新建的这个数组推断出一个较为合适的数据类型。 若是把一个包含字符，整型数据的列表转化成array数组，并且没有手动指定数据类型，则会自动变成字符型array。 解决办法： 可以手动指定object类型，依然保持原因数据类型不变，因为这些字符型和整型本身都是object类型。 12.numpy数据类型转换时报出这样的错误： ---ValueError: setting an array element with a sequence. ---这表示数组内数据维度不统一，故无法转换数据类型。也就是出现这样的[[1,2],[3,4,5]] 13.一定范围内索引。 <方法1>可以生成一个和arr相同大小的数组，然后首先通过一次筛选找到大于3的元素对应索引的数组，继而对刚刚得到的数据再次筛选小于10的元素，最终得到想要的结果. <方法2>还可以通过两次进行筛选，分别筛选出大于3的元素和小于100的元素对应的索引数组，然后两个数组做交集处理，在numpy中有一个intersect1d函数可以进行这样的运算。---numpy.intersect1d(x,y)就是计算x and y的公共元素
14.numpy最大值索引。
numpy.argmax(a, axis=None, out=None)
返回沿轴axis最大值的索引。
Parameters: a : array_like 数组 axis : int, 可选 默认情况下，索引的是平铺的数组，否则沿指定的轴。 out : array, 可选 如果提供，结果以合适的形状和类型被插入到此数组中。 Returns: index_array : ndarray of ints 索引数组。它具有与a.shape相同的形状，其中axis被移除。 例子：
>>> a = np.arange(6).reshape(2,3)
>>> a
array([[0, 1, 2],
[3, 4, 5]])
>>> np.argmax(a)
5
>>> np.argmax(a, axis=0)
array([1, 1, 1])
>>> np.argmax(a, axis=1)
array([2, 2])
>>>
>>> b = np.arange(6)
>>> b[1] = 5
>>> b
array([0, 5, 2, 3, 4, 5])
>>> np.argmax(b)
1
1234567891011121314151617
1234567891011121314151617
