python numpy笔记(重要)
1、np.array 的shape (2,)与(2,1)含义
ndarray.shape：数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中，表示数组的“行数”和“列数”。
ndarray.shape返回一个元组(tuple)，这个元组的长度就是维度的数目，即ndim属性。
data = [[1, 2, 3], [4, 5, 6]] x = numpy.array(data) print(x.shape) >> (2, 3) # x.shape是一个tuple x2 = x.reshape(x.shape + (1,)) #加一个维度 print(x2.shape) >> (2, 3, 1)
#tuple相加
t1 = (1,2)
t2 = (3,4)
print(t1+t2)
>> (1,2,3,4)
一般情况下：
[1,2]的shape值(2,)，意思是一维数组，数组中有2个元素(一级中括号,维度1)。
[[1],[2]]的shape值是(2,1)，意思是一个二维数组，每行有1个元素(两级中括号,维度2)。
[[1,2]]的shape值是(1, 2)，意思是一个二维数组，每行有2个元素(两级中括号,维度2)。
中括号的层级数就是ndarray的维度,也是shape元组的元素个数。
2、numpy 提取矩阵的某一行或某一列
a([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
矩阵的某一行，a[0]即 [0, 1, 2] ，类型为narry，shape为(3,)
矩阵的某一列，a[:, 0]即 [1, 3, 6]，类型为narry，shape为(3,)
3、特殊矩阵生成
3.1) arange 用法 ：np.arange(0,10) // 生成[0,1,2,3,4,5,6,7,8,9] 左开右闭不包括10
3.2) reshape 用法 np.arange(1,10).reshape((3,3)) 从(3,4)改为(4,3)并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变。新数组元素数量与原数组元素数量要相等。当一个参数为-1时，那么reshape函数会根据另一个参数的维度计算出数组的这个shape属性值。
3.3）随机数组生成 np.random.randint(0, 10, size=(3, 3)) 随机生成（3*3）元素在0-10的数的二维数组
https://blog.csdn.net/lyb3b3b/article/details/74852737
3.4) np.array切片
3.5) 特殊矩阵的生成 np.ones((3,3))、np.zeros((3,3))、np.eye(1,1) [单位矩阵]; 还有 a=[1,2,3] np.diag(a) 是生成1，2，3 为对角线的方阵。
3.6）生成某一值的数组: np.full((3, 3), 7, dtype=np.float32)
4、数组和矩阵运算 np.multiply()、np.dot()和星号(*)
4.1) np.multiply()函数，点乘函数，为了矩阵能像数组那样对应位置相乘，给矩阵用的，数组也可以用，输出与相乘数组/矩阵的大小一致，对数组对矩阵都是如此.
A = np.arange(1,5).reshape(2,2) array([[1, 2], [3, 4]]) B = np.arange(0,4).reshape(2,2) array([[0, 1], [2, 3]]) np.multiply(A,B) #数组对应元素位置相乘 array([[ 0, 2], [ 6, 12]])
矩阵场景：
np.multiply(np.mat(A),np.mat(B)) #矩阵对应元素位置相乘，利用np.mat()将数组转换为矩阵 matrix([[ 0, 2], [ 6, 12]]) np.sum(np.multiply(np.mat(A),np.mat(B))) #输出为标量 20
4.2）dot，为了数组能像矩阵那样相乘，给数组用的，矩阵也可以用；矩阵乘法。dot就是用来做矩阵乘法的，将数组当作矩阵相乘，数组A的列数=数组B的行数。
4.3) * 该怎么乘就怎么乘
数组就表示数组乘法：数组X数组，直觉：对应位置相乘
矩阵就表示，矩阵乘法，矩阵a的行X矩阵b的列，a的列数！=b的行数，就报错
https://blog.csdn.net/shuiyuejihua/article/details/80148607
5 ndarray取最值及索引
#最值
np.max(a) #全局最大 np.max(a,axis=0) #每列最大
np.max(a,axis=1) #每行最大
#最值索引
np.argmin(a, axis=0) # 按每列求出最小值的索引
np.argmin(a, axis=1) # 按每行求出最小值的索引
#python list
list_a_max_list = max(list_a) #返回最大值
max_index = list_a.index(max(list_a)) # 返回最大值的索引
