持续积累python中......

1.

看faiss示例：

import faiss
import numpy as np
 
## 构建待检索向量和查询向量
d = 64 # 向量维度
nb = 100000 # 待索引向量size
nq = 10000 # 查询向量size
np.random.seed(1234) # 随机种子确定
xb = np.random.random((nb, d)).astype('float32') #生成nb行d列的随机数float32型
 
xb.shape # (100000, 64) #获取行数，列数
xb 
"""
array([[0.19151945, 0.62210876, 0.43772775, ..., 0.62491673, 0.4780938 ,
        0.19567518],
       [0.38231745, 0.05387368, 0.4516484 , ..., 0.15139526, 0.33517465,
        0.65755177],
       [0.07334255, 0.0550064 , 0.3231948 , ..., 0.34441698, 0.6408804 ,
        0.12620533],
       ...,
       [0.81447345, 0.5902453 , 0.7988935 , ..., 0.339859  , 0.3019495 ,
        0.85385454],
       [0.6714615 , 0.9160688 , 0.9550788 , ..., 0.59536433, 0.03849181,
        0.10563799],
       [0.85663575, 0.59113413, 0.67890793, ..., 0.21897699, 0.06530159,
        0.21753833]], dtype=float32)
"""
 
np.arange(nb)
# array([    0,     1,     2, ..., 99997, 99998, 99999])
 
xb[:, 0] += np.arange(nb) / 1000. #为了使随机产生的向量有较大区别进行人工调整向量
xb
"""
array([[1.91519454e-01, 6.22108757e-01, 4.37727749e-01, ...,
        6.24916732e-01, 4.78093803e-01, 1.95675179e-01],
       [3.83317441e-01, 5.38736843e-02, 4.51648414e-01, ...,
        1.51395261e-01, 3.35174650e-01, 6.57551765e-01],
       [7.53425434e-02, 5.50063960e-02, 3.23194802e-01, ...,
        3.44416976e-01, 6.40880406e-01, 1.26205325e-01],
       ...,
       [1.00811470e+02, 5.90245306e-01, 7.98893511e-01, ...,
        3.39859009e-01, 3.01949501e-01, 8.53854537e-01],
       [1.00669464e+02, 9.16068792e-01, 9.55078781e-01, ...,
        5.95364332e-01, 3.84918079e-02, 1.05637990e-01],
       [1.00855637e+02, 5.91134131e-01, 6.78907931e-01, ...,
        2.18976989e-01, 6.53015897e-02, 2.17538327e-01]], dtype=float32)
"""
 
xq = np.random.random((nq, d)).astype('float32')
xq[:, 0] += np.arange(nq) / 1000.
xq.shape # (10000, 64)

np.arange()
函数返回一个有终点和起点的固定步长的排列，如[1,2,3,4,5]，起点是1，终点是6，步长为1。
参数个数情况： np.arange()函数分为一个参数，两个参数，三个参数三种情况
1）一个参数时，参数值为终点，起点取默认值0，步长取默认值1。
2）两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。
3）三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长。其中步长支持小数

xb[:, 0]，取第一列数据

xb[1,:]，取第二行数据；

2.

  3 import matplotlib
  4 import matplotlib.pyplot as plt
  5 import numpy as np
  6 from sklearn import linear_model
  7 
  8 model = linear_model.LinearRegression()
  9 
 10 x = np.linspace(-3, 3, 30)
 11 y = 2 * x + 1
 12 
 14 model.fit(x.reshape(-1, 1), y)
 16 x_ = np.array(1)
 17 print type(model.predict(x_.reshape(-1, 1)))

sklearn报错：

ValueError: Expected 2D array, got 1D array instead:

fit第一个参数，predict参数，都应该矩阵，需要使用reshape(1,-1)进行转换

reshape:

reshape(3， 2) 转换成3行2列

reshape(-1, m) 转换成(a*b/m)行，m列

3.

np.multiply

arr = numpy.array([1,2,3])
arr1 = numpy.array([[1,2,3],[3,4,5]])
#arr = arr**2 #平方
numpy.multiply(arr, arr1)

输出：
[1 2 3]  //（3，）
[[1 2 3]  
 [3 4 5]] //（3，3）

res: [[ 1  4  9]
 [ 3  8 15]]

每个对应元素相乘，shape必须满足每个对应元素相乘，比如（3，3）和（2，3）就会报错；

np.newaxis

print type(numpy.newaxis)
<type 'NoneType'>

//
arr2 = numpy.array([1,2,3])
print arr2
#arr3 = arr2[:,numpy.newaxis]
arr3 = arr2[:,None]
print arr3

#多维获取某行/列，转为列向量
#arr = numpy.array([[1,2,3],[4,5,6]])
#print arr[1,:][:,numpy.newaxis]


输出：
[2 3 4]
[[2]
 [3]
 [4]]

///
arr2 = numpy.array([2,3,4])
arr3 = arr2[:,numpy.newaxis]
print arr3

arr4=numpy.array([1,2,3])
print arr4
print numpy.multiply(arr4, arr3)

输出：
[[2]
 [3]
 [4]]
[1 2 3]
[[ 2  4  6]
 [ 3  6  9]
 [ 4  8 12]]

为了转换成列向量，并且发现和None效果一样；

np.sum

arr2=numpy.array([2,3])
arr4=numpy.array([[1,2],[3,4]])
print numpy.sum(arr4*arr2)

输出：
26
//

arr2=numpy.array([2,3,4])
arr3=numpy.array([[1,2,3],[3,4,5]])
print arr2*arr3
print numpy.sum(arr2*arr3)
print numpy.sum(arr2*arr3, axis=0)
print numpy.sum(arr2*arr3, axis=1)

输出：
[[ 2  6 12]
 [ 6 12 20]]

58

[ 8 18 32]

[20 38]

所有元素相加，同时发现，*和multiply等价；

axis=0表示第一行为基础，纵向向下求和，二行三列退化为3元

axis=1表示第一列为基础，横向向右求和，二行三列退化为2元

多维处理，同样如此，以某维度为基础，进行退化；

4.读写文件

  8 def rf():
  9     with open(f1) as fp:
 10         for s in fp:
 11             ind=s.find(":feat:")
 12             if ind == -1:
 13                 continue
 14             s1 = s[ind:]
 15             print s
 16             exit(0)
 17             m[s1]=""

5.

#通过设置随机种子返回随机生成器
np.random.RandomState(1338)

#高斯分布
loc：float
    此概率分布的均值（对应着整个分布的中心centre）
scale：float
    此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
    输出的shape，默认为None，只输出一个值

x = rs.normal(size=(n, d1))

#向量点积/矩阵乘积
x = np.dot(x, rs.rand(d1, d))