python常用语法

list用法

li = []
li2 = [1, 2, 3]
li.append([li2, 0])
print(li)

输出得到：

[[[1, 2, 3], 0]]

这种方法比直接操作array灵活得多。

list缺陷

q = [[0] * 5] * 5
print(q)
q[1][1] = 9
print(q)
[[0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]]
[[0, 9, 0, 0, 0], [0, 9, 0, 0, 0], [0, 9, 0, 0, 0], [0, 9, 0, 0, 0], [0, 9, 0, 0, 0]]

改变一个值，其他值也都改变了。

所以使用另一种方法构建：

q = [[0 for i in range(5)] for j in range(5)]
print(q)
q[1][1] = 1
print(q)
[[0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]]
[[0, 0, 0, 0, 0], [0, 1, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0], [0, 0, 0, 0, 0]]

numpy

两个数组做实验

a = np.array([[1, 2, 3], [1, 2, 3]])
b = np.array([[4, 5, 6], [4, 5, 6]])

水平堆叠：

c = np.hstack((a, b))
print(c)
[[1 2 3 4 5 6]
 [1 2 3 4 5 6]]
 # 效果等同于这句
 c = np.concatenate((a, b), axis=1)

垂直堆叠：

c = np.vstack((a, b))
print(c)
[[1 2 3]
 [1 2 3]
 [4 5 6]
 [4 5 6]]
 # 效果等同于这句
 c = np.concatenate((a, b), axis=0)

深度堆叠：

c = np.dstack((a, b))
print(c)

[[[1 4]
  [2 5]
  [3 6]]
  
 [[1 4]
  [2 5]
  [3 6]]]

轴变换:

c = c.transpose((1, 0, 2))
print(c.shape)
print(c)
(3, 2, 2)
[[[1 4]
  [1 4]]

 [[2 5]
  [2 5]]

 [[3 6]
  [3 6]]]

保存与读取，并且转化成list文件

保存：

li_arr = np.array(li)
np.save("Q_Value/File_list.npy", li_arr)

读取：

a = np.load("Q_Value/File_list.npy", allow_pickle=True)

转化成list文件：

li = a.tolist()

matplotlib

以黑白显示图片

plt.imshow(b, cmap='gray')
plt.show()

程序加速

numba

用来加速函数

from numba import jit
@jit
def function():

GUP加速

使用GPU加速

os.environ["CUDA_VISIBLE_DEVICES"] = "0"

不过我的这个测试中，并没有用。。。