求问学院以外国白人女孩
漂亮 短发有一中国npy【宜春学院吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：124,938贴子：
求问学院以外国白人女孩
漂亮 短发有一中国npy收藏
没图 现在开始人肉
有必要么 人家有男朋友了还人肉个p啊
是啊，的确有右个不错的，不过你是没机会了
这有什么人肉的，大家都知道。。。。
今晚健身回来路过图书馆那刚碰到
那个女的最近在贴吧很火啊
安尼。她上次还去我们班。好搞笑。她跟她男朋友感情貌似挺好的
不就是一个外国的白人女孩吗！！LZ想为天朝的男人争光的话，出国去泡啊！！
德国的的啦。。
老衲受教了
为什么没人对这么多印度女的感兴趣？也是外国妞啊
那女的在我们上专业课的时候天天来
早被人泡了
我好奇问问而已 上次和我内人溜达时看到
她男朋友哪个级别的人物
我这有照片
你们没机会了，只能撸了
体院09级的
登录百度帐号推荐应用如果有人问我，射手是什么意思？我会告诉他，你去看罗纳尔多吧！你会找到答案的！【人人网 - 分享】
如果有人问我，射手是什么意思？我会告诉他，你去看罗纳尔多吧！你会找到答案的！
分享这个视频的人喜欢
分享这个视频的人也爱看
遇到你，是我的小幸运
烦心事真多
我深深的脑海里
清醒的人最荒唐
输惨了彻底破功
第一次晚上播
热门视频推荐
热门日志推荐
请输入手机号，完成注册
请输入验证码
密码必须由6-20个字符组成
下载人人客户端
品评校花校草，体验校园广场文章 - 0&评论 - 0&trackbacks - 0
　　对于从事机器学习的人，python+numpy+scipy+matplotlib是重要的基础；它们基本与matlab相同，而其中最重要的当属numpy；因此，这里列出100个关于numpy函数的问题，希望读者通过“题海”快速学好numpy；题中示例可以粘贴运行，读者可以边执行边看效果；
1 &如何引入numpy？
& import numpy as np（或者from numpy import *）
2 &如何定义一个数组？
&import numpy as np
&x = np.array([[1,2,3],[5,6,7],np.int32])
&y = x[.,1] & & & & & & & & & # 取出x的一列，y = [2,6]
3 实部和虚部如何提取？
&x = np.array([ 1+2j, 3 + 4j, 5+6j] )
&&& x.imag & & & & & & & & &# x.imag就是x集合中取出的虚部的集合
&&& array([ 2., 4., 6.])
&&& x.imag = [4,8,12] &# 将集合x.imag一次赋值
4 序列如何排序？
&& x = [3,4,1,2,5]
&& x.argsort()
&& [2,3,0,1,4] & & & & & & # 排序后的序列下标
5 何为矩阵的坐标轴axis=0或axis=1是啥？
&axis = 0 是指按照列方向，axis = 1是按照行方向（操作）。
6 如何用choose函数？
&& x = np.arange(25).reshape(5,5) & & # 定义矩阵x[5][5]
& &[ 0, 1, 2, 3, 4],& &[ 5,
9],& &[10, 11, 12, 13, 14],& &[15, 16, 17, 18, 19],& &[20, 21, 22, 23, 24] &
&&np.choose([1,2,1,2,1],x) & & & & & & & &# 选择x的[1,2,1,2,1]行对应数
&&[5,11,7,13,9]
a = np.array([[0,1,2],[2,3,0],[1,0,1]])
b = np.array([12,-11,8,7])
np.choose( a, b )
array([[ 12, -11, 8], & & & & & & & & & & & & &# 取a的架构，用b的item填写
12, -11]])
7 &何为裁剪clips函数？
是按照一个范围剪切数组；
8 &何为all和any函数？
all和any函数测试两个矩阵的元素；当全部相等用all，部分相等用any；
& &a = &np.arange(15).reshape(3,5)
& &b = a.copy()
& &(a ==b).all()
9 &何为argmax和argmin,argsort函数？
argmax和argmin返回矩阵中，最大元或最校元的下标；argsort返回矩阵排序的下标；其中可选坐标横向或纵向；
10 何为compress 函数？
&a = &np.arange(15).reshape(3,5)
&press([True,False,True],a,axis=0) & &#此处为行方向，取0，2向量构成的矩阵
array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14]])
11 如何求共轭复数conjugate函数？
&np.conjugate（1+3j）
12 copy函数是啥？
a = b.copy()或 a = np.copy(b) & #生成b的副本，赋值给a
13 何为cumprod乘积？
b = array([3,8,9])
np.cumprod(b) & & & &#该乘积是将[a，b，c]转换成[a，a*b，a*b*c]的乘积
&&[3,24,216]
a = array([[1, 2, 3],
[4, 5, 6]])
np.cunprod(a)
array([ 1, 2, 6, 24, 120, 720])
14 何为cumsum和？
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
cumsum(b) & & & & & & & & & & & & & &#累计的和数列，类似于阶乘的数列
array([ 0, 1, 3, 6, 10, 15, 21, 28, 36, 45, 55, 66])
15 何为diagonal函数？
求一个矩阵的主对角元素组成的数列。
a = array([[ 0, 1, 2, 3, 4],
[10, 11, 12, 13, 14]])
diagonal(a)
array([0,6,12) & & #注意，不论是否方阵；
16 何为dot函数？
dot是两个矩阵相乘的函数，当矩阵为一维时，是向量内积，二维的是矩阵相乘；
17何为mean函数？
就是对矩阵所有元求平均；
18何为nonzero函数？
nonzero（a）返回a中非零数据项的下标；
&a =&array([[ 0, 1, 2, 3, 4],
[ 0, 11, 12,
nonzero（a）
(array([0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2], dtype=int64), array([1, 2, 3, 4, 0, 1, 2, 3, 4, 1, 2, 4], dtype=int64))
另：（a〉3).nonzero() & & #表示大于3的数的下标
19 何为prod函数？
就是将矩阵所有元素相乘；
a = array([ 0, 1, 2, 3, 4])
20 何为ptp函数？
是指矩阵按照某个轴上最大值和最小值得差，即数据gap范围；
21 何为put函数？
将指定下标的元素，赋值为其它值；
22 何为ravel函数？
将矩阵扁平化，即转换成一维排列；参见ndarray的flat和flaten函数；
23 何为repeat函数？
将矩阵每个元素重复n遍，放入一维序列中；
a = array（[[1，2]，[4，5]）
np.repeat(a,2) & &#将a的元素重复2次
&& array([1,1,2,2,4,4,5,5])
24 何为reshape函数？
将矩阵所有元素重新排列，构成新的矩阵；数据不变；
如：a = np.arange(12).reshape(3,4)
25 何为resize函数？
构成新的矩阵；数据可变；
a = np.array([[1,2,3]])
np.resize(a,[2,3])
array([[1,2,3],[1,2,3]])
26 函数searchsorted的作用
若存在一个数，和一个排序向量；求该数在排序向量对应的下标；
np.searchsorted([1,2,3,4,5], 3)
np.searchsorted([1,2,3,4,5], [3,-1,8])
27 函数sort的用法
对矩阵排序，分两种：轴排序，扁平（无轴）排序
&&& a = np.array([[1,4],[3,1]])&&& np.sort(a) & & & & & & & & &# sort along the last axisarray([[1, 4], & & & & & &[1, 3]])&&& np.sort(a, axis=None) # sort the flattened arrayarray([1, 1, 3, 4])&&& np.sort(a, axis=0) & & &# sort along the first axisarray([[1, 1],[3, 4]])
28 函数squeeze(a)如何用？
将一个具有冗余多维的向量，压缩成一维的向量；
&&& x = np.array([[[0], [1], [2]]])&&& x.shape(1, 3, 1)&&& np.squeeze(x).shape(3,)
29 函数std()用法？
对矩阵各元素，求出标准均方差；
30 函数sum()用法？
对矩阵的所有函数进行求和。
&&& np.sum([0.5, 1.5])
2.0&&& np.sum([0.5, 0.7, 0.2, 1.5], dtype=np.int32)1&&& np.sum([[0, 1], [0, 5]])6&&& np.sum([[0, 1], [0, 5]], axis=0)array([0, 6])&&& np.sum([[0, 1], [0, 5]], axis=1)array([1, 5])
31 函数swapaxes的用法？
&&swapaxes(): 将n个维度中任意两个维度(坐标轴)进行调换
32 函数take的用法？
&numpy.take(a, indices, axis=None, out=None, mode=’raise’)
该函数从a中取出indices下标所对应的元素；
&&& a = [4, 3, 5, 7, 6, 8]&&& indices = [0, 1, 4]&&& np.take(a, indices)array([4, 3, 6])
33 函数trace的用途？
numpy.trace(a, offset=0, axis1=0, axis2=1, dtype=None, out=None)
求矩阵对角线元素的和；
34 矩阵的transpose函数？
numpy.transpose(a, axes=None)
上述给出a矩阵的转置矩阵；
35 函数var是什么？
numpy.var(a, axis=None, dtype=None, out=None, ddof=0)
是求出某个轴向的方差；
36 何为矩阵的切割Slicing？
就是将矩阵通过[i：j：k]转换的新矩阵，i是起始下标，j是终了下标，k是步长；这些下标都能为负；
&&& x = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])&&& x[1:7:2]array([1, 3, 5])
&&&&x[1:7:1]array([1, 2, 3, 4, 5, 6])
&37 如何求一个向量的转置？
a = np.array([1,2,3]) 的转置依旧是它本身
b = np.array([ [1,2,3] ])的转置是
array [[1]，
& & & & &[2]，
& & & & &[3]&]
要想从a求出列向转置需要:
a[：，np.newaxis ] 这个语法，切记之
38 如何求行向量和列向量之和？
a = np.array([1,2,3])
b =&np.array([[x],[y]])
a + b =&array([ &[1+x,2+x,3+x], [1+y,2+y,3+y] ])这就是规则！
39 如何将数据从文本文件读入？
numpy.loadtxt(fname,&dtype=&type 'float'&,&comments='#',&delimiter=None,&converters=None,&skiprows=0,usecols=None,&unpack=False,&ndmin=0)
V1,V2 = np.loadtxt('datas.txt',dtype='float',delimiter=',',skiprows =1,usecols=[1,2],unpack = True)
参数解释：
'datas.txt' ---文件名
dtype='float' ---数据格式
delimiter=',' ---分隔符逗号
skiprows =1 ---跳过第一行
usecols=[1,2] ---选第1，2列读出
unpack = True ---读出两列将拆开，分别给V1和V2
converters=None & ---缺省数据用什么填充
40 如何将数据写出到文本文件？
numpy.savetxt(fname,&X,&fmt='%.18e',&delimiter=' ',&newline='\n',&header='',&footer='',&comments='# ')
fname ---文件名X
---写出的数据表格
fmt='%.18e' &&---数据格式
delimiter=',' & ---分隔符逗号
newline='\n' & ----换行
newline='\n' & ----表头
footer='' & & & &----表尾&
comments='# ' & &注释
41&linspace和arange区别？
x = np.linspace(0, 4*np.pi, 100)
在0-4pi中间有100个点x = np.arange(0, 4*np.pi, 2)
在0-4pi中间每两个点抽样一次
42 newaxis如何使用？
关于newaxis是很难理解的东西，而矩阵变换中又常用，这里用形式表现之：
1：a = array([A,B,C]) & & 这里ABC可能是数列，也可能是单独数，当使用a[：，newaxis]时，一定是如下格式：
将a中的最外层不管，将次外层看成独立元素，将他们加上“[]”，然后进行行排列
a[：，newaxis]等价于
2：a = array([A,B,C]) & & 这里ABC可能是数列，也可能是单独数，当使用a[newaxis，：]时，一定是如下格式：
在a上加外扩号：
a[newaxis，：] = array([ [A,B,C] ])
&&&&print a.shape
b =&a[:,newaxis]
&&&print a[:,newaxis]
[[[0 1 3]]
[[7 8 9]]]
&&&&print b.shape
(3L, 1L, 3L) & & & &//意思为三行，每行是[1，3]的矩阵
当&b =&a[ newaxis，：]
&&&print b[[[0 1 3]
&&&print b.shape
(1L, 3L, 3L) & & & //意思为1行，内部是[3，3]的矩阵；
43 如何构造一个hilbert矩阵？
构造10X10的希尔伯特矩阵，参考第42问，第38问：
X = 1. / (np.arange(1, 11) + np.arange(0, 10)[:, np.newaxis])
44 何为logspace？
s = np.logspace(2.0, 3.0, num=3,base =4)
r =np.linspace(2,3,3)l = 4**r
45 何为numpy.meshgrid(x,&y)？
用两个1维向量变换出两个矩阵X，Y，其规则如下：
对于向量&x,&y&，长度&Nx=len(x)&和&Ny=len(y), 返回矩阵X,&Y&其中X&和&Y&形状shape=&(Ny,&Nx)&，填充数据为&x的Ny重复, 后者为&y的Nx次重复.
&&& X, Y = np.meshgrid([1,2,3], [4,5,6,7])
array([[1, 2, 3],
[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])
array([[4, 4, 4],
[5, 5, 5],
[6, 6, 6],
[7, 7, 7]])
&46 何为mgrid？
也是一种从向量产生双矩阵的方法，如下：
&&& np.mgrid[0:5,0:5]array([[[0, 0, 0, 0, 0],[1, 1, 1, 1, 1],[2, 2, 2, 2, 2],[3, 3, 3, 3, 3],[4, 4, 4, 4, 4]],[[0, 1, 2, 3, 4],[0, 1, 2, 3, 4],[0, 1, 2, 3, 4],[0, 1, 2, 3, 4],[0, 1, 2, 3, 4]]])&&& np.mgrid[-1:1:5j]array([-1. , -0.5, 0. , 0.5, 1. ])
47 如何numpy.ravel实现矩阵扁平化？
&&& x = np.array([[1, 2, 3], [4, 5, 6]])
&&& print(np.ravel(x))
[1 2 3 4 5 6]48 如何理解np.nditer(a)？
请看代码：
&&& a = np.arange(<span style="color: #).reshape(<span style="color: #,<span style="color: #)
&&& for x in np.nditer(a):
<span style="color: # <span style="color: # <span style="color: # <span style="color: # <span style="color: # <span style="color: #
上述代码中，np.nditer(a)将a的元素扁平化后存入对象np.nditer中，然后读取出来，注意np.nditer不是个列表，是对象;不可用print
np.nditer(a)打印出来;用时要注意;
49 如何实现数组元素无差别函数变换？
所谓无差别函数操作就是将每一个元素按照同样变换方式，并写回;比如a中的元素都乘2，这是比较简单的变换，常规通过a *=2就能完成，但是变换如果很复杂，比如每个元素求自然对数，就无法简单表示，因此需要下列代码完成：
&&& a = np.arange(<span style="color: #).reshape(<span style="color: #,<span style="color: #)
array([[<span style="color: #, <span style="color: #, <span style="color: #],
[<span style="color: #, <span style="color: #, <span style="color: #]])
&&& for x in np.nditer(a, op_flags=['readwrite']):
x[...] = <span style="color: # * x
array([[ <span style="color: #,
<span style="color: #,
<span style="color: #],
[ <span style="color: #,
<span style="color: #, <span style="color: #]])
注意打开读写标志op_flags=['readwrite']，x[...]不可写成x;因为x是从对象中读出的临时变量;而x[...]是当前临时变量x所面向的数组内地址，用以指明当前x写到哪里。
50 什么是class numpy.ndenumerate(arr)？
ndenumerate和nditer类似，只是ndenumerate不返回元素的值，返回的全是下标;下标有两组，一组是数组的（Nx和Ny）另一组是nditer的顺序标号;与nditer同，不可用print&np.ndenumerate(a)打印;
&&& a = np.arange(6).reshape(2,3)&&& for index, x in np.ndenumerate(a):&&& ...:&&&& print(index, x)&&& ...:&& &((0, 0), 0)((0, 1), 1)((0, 2), 2)((1, 0), 3)((1, 1), 4)((1, 2), 5)
&51 如何理解np的mean函数的axis？
关于numpy mean函数的axis参数，理解多维矩阵的"求和"、"平均"操作确实太恶心了，numpy提供的函数里还有一堆参数，搞得晕头转向的，这里做个笔记，提醒一下自己， 下面是例程
import numpy as np
X = np.array([[1, 2], [4, 5], [7, 8]])
print np.mean(X, axis=0, keepdims=True)
print np.mean(X, axis=1, keepdims=True)
结果是分别是
我个人比较raw的认识就是，axis=0，那么输出矩阵是1行，求每一列的平均（按照每一行去求平均）；axis=1，输出矩阵是1列，求每一行的平均（按照每一列去求平均）。还可以这么理解，axis是几，那就表明哪一维度被压缩成1。
再举个更复杂点的例子，比如我们输入为batch = [128, 28, 28]，可以理解为batch=128，图片大小为28×28像素，我们相求这128个图片的均值，应该这么写
m = np.mean(batch, axis=0)
输出结果m的shape为(28,28)，就是这128个图片在每一个像素点平均值。
52 矩阵相关计算如何实现？
&&& 1）定义：
a = np.matrix([
[<span style="color: #, <span style="color: #, <span style="color: #, <span style="color: #],
[<span style="color: #, <span style="color: #, <span style="color: #, <span style="color: #],
[<span style="color: #, <span style="color: #, <span style="color: #, <span style="color: #],
[<span style="color: #, <span style="color: #, <span style="color: #, <span style="color: #]
&&&&& a为向量时这里转置是 a[：，np.newaxis ] 这个语法，切记之
#矩阵乘法:
#not matrix multiplication!
c = np.dot(a, a)
#matrix multiplication
np.dot(a, a, d)
#matrix multiplication
&&& 4）转置矩阵(transpose)
　　g = a.transpose() 或h = a.T 等价
&&& 5）逆矩阵(inverse)
&&&&&&&&&&&&&&&& f = np.linalg.inv(a)& 　或&&& f = a.I
&&&&&&&&&&&&&&&& f = a ** (-1)& 求各元素倒数，不是求逆
&&&&& 6）行列式(determinant)
&&&&&&&& j = np.linalg.det(a)
&&&&7）伴随矩阵(adjoint)
&&&&&&& #(need more test)
&&&&&&&& m = np.dot(np.linalg.det(a), np.linalg.inv(a)) # A-1 = A'' / |A| &==&&&&A''=&A-1|A| &
&&& 8）矩阵范数(matrix norms)
&&&&&&&&& k = np.linalg.norms(a)
&53 如何初始化矩阵？
&&&&&& Python使用NumPy包完成了对N-维数组的快速便捷操作。使用这个包，需要导入numpy。 SciPy包以NumPy包为基础，大大的扩展了numpy的能力。为了使用的方便，scipy包在最外层名字空间中包括了所有的numpy内容，因此只要导入了scipy，不必在单独导入numpy了！但是为了明确哪些是numpy中实现的，哪些是scipy中实现的，本文还是进行了区分。以下默认已经：import numpy as np 以及 impor scipy as sp
&&&&& 下面简要介绍Python和MATLAB处理数学问题的几个不同点。1.MATLAB的基本是矩阵，而numpy的基本类型是多为数组，把matrix看做是array的子类。2.MATLAB的索引从1开始，而numpy从0开始。
1.建立矩阵
a1=np.array([1,2,3],dtype=int)&&&#建立一个一维数组，数据类型是int。也可以不指定数据类型，使用默认。几乎所有的数组建立函数都可以指定数据类型，即dtype的取值。
a2=np.array([[1,2,3],[2,3,4]])&&&#建立一个二维数组。此处和MATLAB的二维数组（矩阵）的建立有很大差别。
同样，numpy中也有很多内置的特殊矩阵：
b1=np.zeros((2,3))&&&&#生成一个2行3列的全0矩阵。注意，参数是一个tuple：(2,3)，所以有两个括号。完整的形式为：zeros(shape,dtype=)。相同的结构，有ones()建立全1矩阵。empty()建立一个空矩阵，使用内存中的随机值来填充这个矩阵。
b2=identity(n)&&&#建立n*n的单位阵，这只能是一个方阵。
b3=eye(N,M=None,k=0)&&&&#建立一个对角线是1其余值为0的矩阵，用k指定对角线的位置。M默认None。
此外，numpy中还提供了几个like函数，即按照某一个已知的数组的规模（几行几列）建立同样规模的特殊数组。这样的函数有zeros_like()、empty_like()、ones_like()，它们的参数均为如此形式：zeros_like(a,dtype=)，其中，a是一个已知的数组。
c1=np.arange(2,3,0.1)&&&#起点，终点，步长值。含起点值，不含终点值。
c2=np.linspace(1,4,10)&&&&#起点，终点，区间内点数。起点终点均包括在内。同理，有logspace()函数
d1=panion(a)&&&&#伴随矩阵
d2=np.linalg.triu()/tril()&&&#作用同MATLAB中的同名函数
e1=np.random.rand(3,2)&&&&#产生一个3行2列的随机数组。同一空间下，有randn()/randint()等多个随机函数
fliplr()/flipud()/rot90()&&&&#功能类似MATLAB同名函数。
xx=np.roll(x,2)&&&#roll()是循环移位函数。此调用表示向右循环移动2位。
2.数组的特征信息
先假设已经存在一个N维数组X了，那么可以得到X的一些属性，这些属性可以在输入X和一个.之后，按tab键查看提示。这里明显看到了Python面向对象的特征。
X.flags&&&&#数组的存储情况信息。
X.shape&&&&#结果是一个tuple，返回本数组的行数、列数、……
X.ndim&&&#数组的维数，结果是一个数
X.size&&&&#数组中元素的数量
X.itemsize&&&&#数组中的数据项的所占内存空间大小
X.dtype&&&&#数据类型
X.T&&&#如果X是矩阵，发挥的是X的转置矩阵
X.trace()&&&&#计算X的迹
np.linalg.det(a)&&&#返回的是矩阵a的行列式
np.linalg.norm(a,ord=None)&&&&#计算矩阵a的范数
np.linalg.eig(a)&&&&#矩阵a的特征值和特征向量
np.linalg.cond(a,p=None)&&&&#矩阵a的条件数
np.linalg.inv(a)&&&&#矩阵a的逆矩阵
3.矩阵分解
常见的矩阵分解函数，numpy.linalg均已经提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些为了方便计算或者针对不同的特殊情况，还给出了多种调用形式，以便得到最佳结果。
4.矩阵运算
np.dot(a,b)用来计算数组的点积；vdot(a,b)专门计算矢量的点积，和dot()的区别在于对complex数据类型的处理不一样；innner(a,b)用来计算内积；outer(a,b)计算外积。
专门处理矩阵的数学函数在numpy的子包linalg中定义。比如 np.linalg.logm(A)计算矩阵A的对数。可见，这个处理和MATLAB是类似的，使用一个m后缀表示是矩阵的运算。在这个空间内可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常规exp()对应有三种矩阵形式：expm()使用Pade近似算法、 expm2()使用特征值分析算法、expm3()使用泰勒级数算法。在numpy中，也有一个计算矩阵的函数：funm(A,func)。
numpy中的数组索引形式和Python是一致的。如：
x=np.arange(10)
print x[2]&&&&#单个元素，从前往后正向索引。注意下标是从0开始的。
print x[-2]&&&&#从后往前索引。最后一个元素的下标是-1
print x[2:5]&&&&#多个元素，左闭右开，默认步长值是1
print x[:-7]&&&&#多个元素，从后向前，制定了结束的位置，使用默认步长值
print x[1:7:2]&&&#指定步长值
x.shape=(2,5)&&&&#x的shape属性被重新赋值，要求就是元素个数不变。2*5=10
print x[1,3]&&&&#二维数组索引单个元素，第2行第4列的那个元素
print x[0]&&&#第一行所有的元素
y=np.arange(35).reshape(5,7)&&&&#reshape()函数用于改变数组的维度
print y[1:5:2,::2]&&&&#选择二维数组中的某些符合条件的元素
54 矩阵加法的注意事项？
a =np.array([<span style="color: #,<span style="color: #,<span style="color: #,<span style="color: #,<span style="color: #])
s =np.array([[<span style="color: #],[<span style="color: #],[<span style="color: #]])
print( a )
print(a+s)
#此处a和s可以交换
结果：&[1 3 4 5 6]&[[13]&[ 4]&[ 6]]&[[14 16 17 18 19]&[ 5& 7& 8& 9 10]&[ 7& 9 10 11 12]]
55 logspace指数序列的产生？
&&& a = np.logspace(0,9,10,base=2)&&& aarray([ & 1., & &2., & &4., & &8., & 16., & 32., & 64., &128., &256., &512.])
每一项的形态是base=2的0-9次方序列
&56 numpy如何产生等比数列？
import numpy as npnp.logspace(2.0, 3.0, num=4)
215.443469
&57 如何生成复杂矩阵？
通过形式函数是现，比如：
b = np.fromfunction(lambda x,y,z:x*100+y*10+z,(3,3,3),dtype=int)
&58 如何遍历数组？
分三个办法：
第一种，最常用的，通过for in遍历数组&
colours = ["red","green","blue"]
for colour in colours:
print colour
第二种，先获得数组的长度，然后根据索引号遍历数组，同时输出索引号
colours = ["red","green","blue"]
for i in range(0, len(colours)):
print i, colour[i]
&第三种 通过迭代器完成
for element in b.flat:
print element,
阅读(...) 评论()}