numpy 常用api（三）

numpy 常用api（一）

0. np.delete()

属非更易型操作，是为了获取返回值，对原始数据不会进行修改；

from sklearn.datasets import load_iris
import numpy as np

test_idx = [0, 50, 150]

X_train, y_train = np.delete(iris.data, test_idx, axis=0), np.delete(iris.target, test_idx)

X_test, y_test = iris.data[test_idx], iris.target[test_idx]

1. 库下的全局函数

全局函数np.funcation_name()一般属于非更易型函数
既然非更易，就需有返回值，否则函数无意义；

2. np.zeros()

>> np.zeros(())
array(0.0)
				# 也即接收空参的 tuple；

np.logaddexp

numpy.logaddexp(x1, x2[, out])

也即计算log(exp(x1)+exp(x2))

如何通过logaddexp函数计算$\log (x+y)$（如果$x,y$都含有部分指数形式的话），

log(x+y) == np.logaddexp(np.log(x), np.log(y))
						# log(exp(np.log(x))+exp(np.log(y))) == log(x+y)

np.meshgrid() 与 np.mgrid

meshgrid is very useful to evaluate functions（自然是一个关于 $x,y$ 的二元函数） on a grid.（不妨将这里的grid理解为网格点，np.meshgrid的目的是生成网格点的坐标 x:-10-10, y:-10-10）

xx, yy = np.meshgrid(np.arange(-5, 5, .01), np.arange(-5, 5, .01))
zz = np.sin(xx**2+yy**2)/(xx**2+yy**2)
plt.contourf(xx, yy, zz)
plt.show()

也可以在创建网格点的坐标时，指定参数sparse为True，这样生成的 $x,y$ 轴坐标个数就会显著减少，在使用二者的地方，通过numpy默认的广播机制（broadcasting）实现和dense型的坐标等价的功能。

>>> x, y = np.meshgrid(range(5), range(5), sparse=True)
>>> x
array([[0, 1, 2, 3, 4]])
					# x.shape = (1, 5)
					# 广播时拷贝扩展5行
>>> y 
array([[0],
       [1],
       [2],
       [3],
       [4]])
					# y.shape = (5, 1)
					# 广播时拷贝拓展5列

np.mgrid是np.meshgrid()的convenient version，np.mgrid不是函数。

注意切片的用法是：start?step

>>> np.mgird[0:3, 0:3]
						# 步长为1
						# 不包含3,
array([[[0, 0, 0],
        [1, 1, 1],
        [2, 2, 2]],

       [[0, 1, 2],
        [0, 1, 2],
        [0, 1, 2]]])

>>> np.mgrid[-1:1:5j]
					# 步长为复数时，
					# 实数部分为元素的个数
					# stop value is inclusive
array([-1. , -0.5,  0. ,  0.5,  1. ])
					# (1-(-1))/(5-1)=.5

np.clip()

np.clip()的数学本质是一种截断；
考虑如下的分段函数：
$$f(x)=\{\begin{array}{ll}5,& \text{for }x>5\\ x,& \text{for }|x|\le 5\\ -5,& \text{for }x<-5\end{array}$$

plt.plot(x, np.clip(x, -5, 5), 'g', lw=2)