numpy常用函数（数据分析

https://www.cnblogs.com/xinchrome/p/5043480.html

1.np.asarray()
array和asarray都可以将结构数据转化为ndarray，但是主要区别就是当数据源是ndarray时，array仍然会copy出一个副本，占用新的内存，但asarray不会

2.
np.linalg.norm
求两数组欧式距离
https://blog.csdn.net/hqh131360239/article/details/79061535
参考文献

1、linalg=linear（线性）+algebra（代数），norm则表示范数。

2、函数参数

x_norm=np.linalg.norm(x, ord=None, axis=None, keepdims=False)
①x: 表示矩阵（也可以是一维）

②ord：范数类型

向量的范数：

矩阵的范数：

ord=1：列和的最大值

ord=2：|λE-ATA|=0，求特征值，然后求最大特征值得算术平方根

ord=∞：行和的最大值

ord=None：默认情况下，是求整体的矩阵元素平方和，再开根号。（没仔细看，以为默认情况下就是矩阵的二范数，修正一下，默认情况下是求整个矩阵元素平方和再开根号）

③axis：处理类型

axis=1表示按行向量处理，求多个行向量的范数

axis=0表示按列向量处理，求多个列向量的范数

axis=None表示矩阵范数。

④keepding：是否保持矩阵的二维特性

True表示保持矩阵的二维特性，False相反

3、代码实现

import numpy as np
x = np.array([
[0, 3, 4],
[1, 6, 4]])
#默认参数ord=None，axis=None，keepdims=False
print “默认参数(矩阵整体元素平方和开根号，不保留矩阵二维特性)：”,np.linalg.norm(x)
print “矩阵整体元素平方和开根号，保留矩阵二维特性：”,np.linalg.norm(x,keepdims=True)

print “矩阵每个行向量求向量的2范数：”,np.linalg.norm(x,axis=1,keepdims=True)
print “矩阵每个列向量求向量的2范数：”,np.linalg.norm(x,axis=0,keepdims=True)

print “矩阵1范数：”,np.linalg.norm(x,ord=1,keepdims=True)
print “矩阵2范数：”,np.linalg.norm(x,ord=2,keepdims=True)
print “矩阵∞范数：”,np.linalg.norm(x,ord=np.inf,keepdims=True)

print “矩阵每个行向量求向量的1范数：”,np.linalg.norm(x,ord=1,axis=1,keepdims=True)

4、总结

①矩阵的三种范数求法（应该是4种了，在默认情况下，又多出了一种情况）

②向量的三种范数求法

3 np.diff()

numpy.diff(a, n=1,axis=-1)
沿着指定轴计算第N维的离散差值
参数：
a：输入矩阵
n：可选，代表要执行几次差值
axis：默认是最后一个
示例：
import numpy as np

A = np.arange(2 , 14).reshape((3 , 4))
A[1 , 1] = 8
print(‘A:’ , A)
A: [[ 2 3 4 5]
[ 6 8 8 9]
[10 11 12 13]]

print(np.diff(A))
[[1 1 1]
[2 0 1]
[1 1 1]
从输出结果可以看出，其实diff函数就是执行的是后一个元素减去前一个元素。