studyvcmfc的专栏

np.unravel_index() 一般与np.argmax(A) 或 np.argmin(A) 配合使用https://blog.youkuaiyun.com/MaeveShi/article/details/107378520一句话概括：求出数组某元素（或某组元素）拉成一维后的索引值在原本维度（或指定新维度）中对应的索引官网给出的概括是convert a flat index or array of flat indices into a tuple of coordinate arrays.ind

np.delete详解_Tiger-Li的博客-优快云博客_np.delete(

np.random.permutationnp.random.permutation()：随机排列序列。例1：对0-5之间的序列进行随机排序例2：对一个list进行随机排序多维度的咋回事？来看一个例子：a矩阵输出为：现在看c矩阵，我运行了两次：第一次运行结果：然后，我又运行了一次：通过这个例子可以看出，对于一个多维的输入，只是在第一维上进行了随机排序。对这个这个3×3矩阵来说，只是对行进行随机排序。https://blog.youkuaiyun.com/weixin_44.

numpy.where() 用法详解 - massquantity - 博客园numpy.where() 用法详解 - massquantity - 博客园

python3.7安装numpy pandas失败的处理方案 - moxin0509 - 博客园

python 中 np.arange()的使用 - 博二爷 - 博客园

https://www.zhihu.com/question/326568092/answer/698243145

RuntimeWarning: invalid value encountered in true_divide这个问题可能是在使用numpy的时候出现了0除以0造成的。比如:import numpy as npa = np.array([0,0])a/0__main__:1: RuntimeWarning: invalid value encountered in true_divide这里0/0的报错不具体，有时候不容易发现。如果是1/0这种，会有更加具体的错误信息。比如：

首先声明两者所要实现的功能是一致的（将多维数组降位一维）。这点从两个单词的意也可以看出来，ravel(散开，解开)，flatten（变平）。两者的区别在于返回拷贝（copy）还是返回视图（view），numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵，而numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（reflects）原始矩阵。https://www.cnblogs.com/hechangch

两者的功能是一致的，将多维数组降为一维，但是两者的区别是返回拷贝还是返回视图，np.flatten(0返回一份拷贝，对拷贝所做修改不会影响原始矩阵，而np.ravel()返回的是视图，修改时会影响原始矩阵https://blog.youkuaiyun.com/hanshuobest/article/details/78882425...

既然，官方文档已经明确指出shape为整数的元组，那我们平时在使用的时候也就用元组，不要去用list以避免造成不必要的错误。一开始没有注意到shape是元组类型，于是产生了一个疑问。shape到底是一个元组呀还是一个数组（列表）？于是，我就试了试一下两种代码：b = np.ones((3,6))b = np.ones([3,6])发现两者都能创建成功，而且编译器也没报错，然后我的疑问就更大了，就去看这俩函数的底层，如下：@set_module('numpy')def ones(sh

https://zhuanlan.zhihu.com/p/257088640

NumPy 高级索引NumPy 比一般的 Python 序列提供更多的索引方式。除了之前看到的用整数和切片的索引外，数组可以由整数数组索引、布尔索引及花式索引。整数数组索引以下实例获取数组中(0,0)，(1,1)和(2,0)位置处的元素。实例import numpy as np x = np.array([[1, 2], [3, 4], [5, 6]]) y = x[[0,1,2], [0,1,0]] print (y)输出结果为：[1 4 5]以下实例获取了 4X3

https://blog.youkuaiyun.com/weixin_35656458/article/details/113500862

将二维数组保存为.csv格式奇幻熊 2019-07-13 20:47:40 2714 收藏 1分类专栏： Python版权import pandas as pddef save_as_csv(array,path ): """将数组保存在.csv文件中""" data = pd.DataFrame(array) data.to_csv(path) 上述代码中的函数将数组 array 保存到了 path 制定的位置。https://blog....

https://blog.youkuaiyun.com/mouday/article/details/87689510

转自知乎锴锴烫烫烫烫烫烫烫烫烫烫烫烫烫烫烫烫150 人赞同了该回答这个东西的主要作用，就是增加一个维度。现在我们假设有一个数组A，数组A是一个两行三列的矩阵。大小我们记成（2,3）。先明白一个常识，计算机中计数，一般是从0开始的。所以（2,3）这个两行三列的矩阵，它的第“0”维，就是这个“2”行；第“1”维，就是这个“3”列。这个函数的作用，就是在第“axis”维，加一个维度出来，原先的“维”，推到右边去。比如我们设置axis为0，那A矩阵的大小就变...

https://www.cnblogs.com/caizhou520/p/11227986.html

https://numpy.org/doc/stable/reference/generated/numpy.eye.html

https://www.jianshu.com/p/f9b5fd252c78

https://blog.youkuaiyun.com/candy_gl/article/details/79356468

https://zhidao.baidu.com/question/570950020.html

https://www.jianshu.com/p/6f58d7f39147numpy中amin()方法中维度axis=0 1 2 的理解axis=0 从最外一层的维度来比较 （对半比较 虽然不恰当，但便于引导思路）axis=1 从中间一层的维度来比较 外进入中间这层的比较 ，这一层的单位是一维数组axis=2 从最内一层的维度来比较 外进入中间进入内层这层的比较 ，这一层的单位是单个元素数字import numpy as npa = np.random...

https://www.runoob.com/numpy/numpy-statistical-functions.html

data = [[1,2,6],[4,5,6],[7,8,9]] split_array = np.array_split(data, int(1 + 1))print(split_array)#[array([[1, 2, 6], [4, 5, 6]]), array([[7, 8, 9]])]

import numpy as npe= np.arange(0 ,3)print("e.type=",type(e),"e=",e)a = np.array([2,3,4])print(a)ls = list(a)print(ls)#resulte.type= <class 'numpy.ndarray'> e= [0 1 2][2 3 4][2, 3, 4]

https://blog.youkuaiyun.com/tracy_leaf/article/details/79297121

https://zhuanlan.zhihu.com/p/110105054画图解释2https://www.cnblogs.com/zsy900312/p/8574307.html

https://blog.youkuaiyun.com/NockinOnHeavensDoor/article/details/78765556?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-6.no

>>> z = np.array([[1, 2, 3, 4],[5, 6, 7, 8],[9, 10, 11, 12],[13, 14, 15, 16]])>>> print(z)[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12] [13 14 15 16]]>>> print(z.shape)(4, 4)>>> print(z.reshape(-1))[ 1 2 3 ...

https://www.cnblogs.com/fpzs/p/10083846.html

https://blog.youkuaiyun.com/fred_18/article/details/92688903

https://blog.youkuaiyun.com/kealennieh/article/details/82464665

https://www.cnblogs.com/cloud-ken/p/9931273.html

https://www.x0ff.com/article/100478.html

https://blog.youkuaiyun.com/yu_1628060739/article/details/102720385?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

https://blog.youkuaiyun.com/zenghaitao0128/article/details/78300770

import numpy as npX=np.array([[-0.60116],[-0.94159],[-0.74565],[0.89583]])w = [0]b=1z= np.matmul(X,w) + bprint(X.shape)W = np.zeros(X.shape[1])print("W=",W)print("W.TYPE=",type(W),"w...

import numpy as npx=[[-0.60116],[-0.94159],[-0.74565],[ 0.89583]]w = [0]b=1z= np.matmul(x,w) + bprint(z)#结果[1. 1. 1. 1.]