Lefenger

transpose()的操作对象是矩阵。我们用一个例子来说明这个函数： [[[0 1] [2 3]][[4 5] [6 7]]]这是一个shape为（2，2，2）的矩阵，现在对它进行transpose操作。 首先我们对矩阵的维度进行编号，上述矩阵有三个维度，则编号分别为0，1，2，而transpose函数的参数输入就是基于这个编号的，如果我们调用transpose（0，1，2），那么

ceil()函数 输入可为数组或单个浮点数，作用是对小数求整，求整方式为向上求整，例如ceil（1.3）,结果为2。

(1) import numpy as np a=(3,3) b=(4,4) c=a+b print(c)(3, 3, 4, 4) (2) import numpy as npa = np.array(range(3), dtype=’float64’) b = np.zeros(3) a array([ 0., 1., 2.]) b array([ 0., 0., 0.

Broadcasing即扩展，推广的意思，是为了使不同shape的array相互能够进行运算。 例子如下： a = np.array([1.0, 2.0, 3.0]) b = np.array([2.0, 2.0, 2.0]) a * b array([ 2., 4., 6.]) >>> a = np

填补一个数组。pad（array，pad_width，mode，**kwars）其中array为要填补的数组（input） pad_width是在各维度的各个方向上想要填补的长度,如（（2，3），（4，5）），如果直接输入一个整数，则说明各个维度和各个方向所填补的长度都一样。 mode为填补类型，即怎样去填补，有“constant”，“edge”等模式，如果为constant模式，就得指定填补的

Pandas中的数据选取主要分为如下方式：      1. [0]数字索引直接选取2. ['a']通过名字索引选取3. [1:] [:3] [::-1] ['a':'c'] 通过切片选取4. [x5. [boo]通过boolen矩阵作为mask选取6. ['a','b'] [1,3,5] 通过Fancy Index选取。而Numpy中的数据选取与Pandas十分

**一**. list的元素可以是不同的类型，而ndarray只能包含同一种类型的元素。**二**. 切片的返回值所表示的意义不同。    import numpy as np    a=np.array([1,2,3,4,5,6])    b=[1,2,3,4,5,6]    c=a[:3]    d= b[:3]    c[0]=0    d[0

concatenate(x,axis=0)这个函数用于将多个数组进行连接，这与stack函数很容易混淆，他们之间的区别是concatenate会把当前要匹配的元素降一维，即去掉最外面那一层括号。举个例子：axis=0a = np.arange(8).reshape(2,2,2)b = np.arange(8).reshape(2,2,2)c=np.concatenate((a, b)

stack(x,axis=0)这个函数用于将多个数组合并，其中每个数组的shape都相同，其中axis表示在第几个空间开始进行结合，这样说很难理解，举例说明：[0,1,2,3] 的shape可看做（1,4）a = np.arange(4)b = np.arange(4)c=np.stack((a,b),axis=0)print(c)print(c.shape)输出：[