1、列表推导式
2、匿名函数
匿名函数其实就是函数
## 原始函数
def func(number):
return 2*x
## 等价于匿名函数
func = lambda x:2*x
## 调用时直接一行
func(3)
## 再简洁一点
lambda x:2*x(3)
reshape直接把多维数组转化为一维数组
target.reshape(-1)
reshape
target = np.arange(8).reshape(2,4)
Out[64]:
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
## 横着读取，横着填充
target.reshape((4,2), order='C')
Out[65]:
array([[0, 1],
[2, 3],
[4, 5],
[6, 7]])
## 竖着读取，竖着填充
target.reshape((4,2), order='F')
Out[66]:
array([[0, 2],
[4, 6],
[1, 3],
[5, 7]])
np.ix_使用布尔索引，np.ix_([行],[列])
target
Out[72]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
target[np.ix_([True, False, True], [True, False, True])]
array([[0, 2],
[6, 8]])
target[np.ix_([1,2], [True, False, True])]
Out[75]:
array([[3, 5],
[6, 8]])
索引
nonzero, argmax, argmin
累乘、累加、做差
cumprod, cumsum, diff
常用的统计函数包括 max, min, mean, median, std, var, sum, quantile ，其中分位数计算是全局方法；对于含有缺失值的数组，它们返回的结果也是缺失值，如果需要略过缺失值，必须使用 nan* 类型的函数，上述的几个统计函数都有对应的 nan* 函数
target = np.array([1, 2, np.nan])
target.max() ## output is nan
target.nanmax() ## output is 2
协方差与相关系数
cov & corrcoef
统计函数的 axis 参数
广播机制
总是扩充为最大维度
向量内积
练习题：
NO.1
image.png
解答如下：
image.png
NO.2
image.png
利用A矩阵，构造C矩阵（3*1）
image.png
其中C是我做得，C_answer是答案所得，用了sum(1)按行相加，并且加上了reshape，的确变简单了好多。。。。
这里同时让我们看一下sum(axis = 1,keepdims = True)和sum(1)的区别，加上了keepdims, 会保留原来的维度
image.png
NO3:
image.png
我的解法：
image.png
NO4:
image.png
我的解法：其实是少了一个循环，同时通过计算速度可以看到，计算速度高了很多
image.png
N05:
image.png
我的解法~竟然和答案是一样的！！！！
image.png
