python之numpy学习及爬坑 不断更新

1.np.zeros():#要用两个括号，里面的表示维度

parameters['W'+str(l)] = np.zeros((layers_dims[l],layers_dims[l-1]))

2.np.random.randn()与np.random.rand():前者返回值服从标准正态分布，后者返回值服从（0，1）的均匀分布

3.np.squeeze():
函数可以删除数组形状中的单维度条目，即把shape中为1的维度去掉，但是对非单维的维度不起作用。参考链接：https://blog.csdn.net/zenghaitao0128/article/details/78512715

a  = np.arange(10).reshape(1,10)
print (a,a.shape)

[[0 1 2 3 4 5 6 7 8 9]] (1, 10)

b = np.squeeze(a)
print (b,b.shape)

[0 1 2 3 4 5 6 7 8 9] (10,)

c  = np.arange(10).reshape(1,2,5)
print (c,c.shape)

[[[0 1 2 3 4]
[5 6 7 8 9]]] (1, 2, 5)

d = np.squeeze(c)
print (d,d.shape)

[[0 1 2 3 4]
[5 6 7 8 9]] (2, 5)

4.np.copy():深度复制,复制后的变量，会生成一个新的内存空间，去储存这个变量，所以a，b的改动互不影响

a = np.arange(4)
b = np.copy(a)
a = a+1
print (a,b)

[1 2 3 4] [0 1 2 3]

4.np.random.permutation()生成随机序列
参考链接：https://blog.csdn.net/weixin_41043240/article/details/79592106

np.random.permutation([1, 4, 9, 12, 15])
#array([15,  1,  9,  4, 12])

arr = np.arange(9).reshape((3, 3))
#array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
np.random.permutation(arr)
#array([[6, 7, 8],
       [0, 1, 2],
       [3, 4, 5]]) 

permutation = list(np.random.permutation(10))
#[5, 1, 7, 6, 8, 9, 4, 0, 2, 3]
Y = np.array([[1,1,1,1,0,0,0,0,0,0]])
Y_new = Y[:, permutation]
#array([[0, 1, 0, 0, 0, 0, 0, 1, 1, 1]])

5.np.nonzero():以元组方式返回数据中，非零值的索引

l = [0,12,3,4,5,0,2]
a = np.nonzero(l)
print (a)
print (a[1])

(array([1, 2, 3, 4, 6], dtype=int64),)
[1 2 3 4 6]

6.np.cllip(a, a_min, a_max):
其中a是一个数组，后面两个参数分别表示最小和最大值

import numpy as np
x=np.array([1,2,3,5,6,7,8,9])
np.clip(x,3,8)
Out[88]:
array([3, 3, 3, 5, 6, 7, 8, 8])

经过np.clip()处理的函数，也就是经过一个分段函数处理。看下图，就明白了。
参考链接：https://blog.csdn.net/qq1483661204/article/details/78150203

7.np.mean(),np.std():
计算均值与标准差