import numpy as np
文中“np” 约定俗成的代表了numpy缩写
1 np.empty_like() 复制一个与目标数组相同shape和类型的空数组
类似empty_like 的有 one_like, zeros_like ,full_like , empty 。使用方式一致，区别在于返回的数据默认值。
def empty_like(prototype, dtype=None, order=None, subok=None, shape=None):
"""
empty_like(prototype, dtype=None, order='K', subok=True, shape=None)
Return a new array with the same shape and type as a given array.
Parameters
----------
>>> a = np.array([[1., 2., 3.],[4.,5.,6.]])
>>> np.empty_like(a)
array([[ -2.00000715e+000, 1.48219694e-323, -2.00000572e+000], # uninitialized
[ 4.38791518e-305, -2.00000715e+000, 4.17269252e-309]])
高级属性，empty_like() 除了必填的参数， 还有用于控制数组中数据在内存中的C/F顺序方式。
2 np.concatenate() 数组拼接合并
def concatenate(arrays, axis=None, out=None):
"""
concatenate((a1, a2, ...), axis=0, out=None)
Join a sequence of arrays along an existing axis.
Parameters
----------
a1, a2, ... : sequence of array_like
The arrays must have the same shape, except in the dimension
corresponding to `axis` (the first, by default).
axis : int, optional
The axis along which the arrays will be joined. If axis is None,
arrays are flattened before use. Default is 0.
out : ndarray, optional
If provided, the destination to place the result. The shape must be
correct, matching that of what concatenate would have returned if no
out argument were specified.
Returns
-------
res : ndarray
The concatenated array.
按轴方向将数组合并拼接。
官网示例
Examples
--------
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
[3, 4],
[5, 6]])
>>> np.concatenate((a, b.T), axis=1)
array([[1, 2, 5],
[3, 4, 6]])
>>> np.concatenate((a, b), axis=None)
array([1, 2, 3, 4, 5, 6])
axis设置数组合并的轴向拼接方式， 是沿x轴还是y轴进行拼接。默认axis=None时，将所有数据拉伸城一维度进行拼接。
3 np.inner() 数组内积
文档定义函数：
def inner(a, b):
"""
inner(a, b)
Inner product of two arrays.
Ordinary inner product of vectors for 1-D arrays (without complex
conjugation), in higher dimensions a sum product over the last axes.
Parameters
----------
实现方式
Notes
-----
For vectors (1-D arrays) it computes the ordinary inner-product::
np.inner(a, b) = sum(a[:]*b[:])
More generally, if `ndim(a) = r > 0` and `ndim(b) = s > 0`::
np.inner(a, b) = np.tensordot(a, b, axes=(-1,-1))
np.inner()计算两个数组的内积，看文档标注的实现原理。当两个数组为1-D一维数组时，inner()计算的是对应元素乘积之和。
当两个数组高于1维时，通用的做法是通过np.tensordot()函数实现了计算，相当于是tensordot(）函数的一个快捷计算方式。
inner()直观的理解是， 两个数组，按行，每个对应的元素乘积之和，放在对应位置上。 和np.dot() 计算逻辑刚好相反。
4 np.dot() 数组乘积
np.dot() 实现线性代数中常用的矩阵乘积的场景。
np.dot() 和 np.inner()区别
np.dot()实现的是 矩阵的乘积， 是线下代数中的一个常用的场景。
np.dot()和np.inner()最直观的区别在于 两个数组在对应元素相乘上，取值的逻辑刚好为相对于的两个场景：
np.dot(a, b ) 是将 a ,b 两个数组乘积， a中各行对应元素， 与 b中各列对应元素， 点乘求和后 放到 新数组对应a行b列的位置上。
应np.inner(a, b ) 是将 a ,b 两个数组乘积， a中各行对应元素， 与 b中各行对应元素， 点乘求和后 放到 新数组对应a行b行的位置上。
5 np.where()
np.where() 是一个比较高级的实用性很强的函数。
def where(condition, x=None, y=None):
"""
where(condition, [x, y])
Return elements chosen from `x` or `y` depending on `condition`.
矢量级的数组判断，根据condition的true 和 false， 返回对应 x 和y 值。
官网文档示例 Examples -------- >>> a = np.arange(10) >>> a array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> np.where(a < 5, a, 10*a) array([ 0, 1, 2, 3, 4, 50, 60, 70, 80, 90])
当np.where() 参数只传condition 条件， x 和 y 为none时，此时返回的是一个序列， 序列记录了 condition条件下为真实对应的位置。
6 np.lexsort() 序列多键值排序
def lexsort(keys, axis=None):
"""
lexsort(keys, axis=-1)
Perform an indirect stable sort using a sequence of keys.
示例
>>> a = [1,5,1,4,3,4,4] >>> b = [9,4,0,4,0,2,1] >>> ind = np.lexsort((b,a)) # Sort by a, then by b >>> ind array([2, 0, 4, 6, 5, 3, 1]) >>> [(a[i],b[i]) for i in ind] [(1, 0), (1, 9), (3, 0), (4, 1), (4, 2), (4, 4), (5, 4)]
np.lexsort((b,a))多键的排序，先按最后一个key a排序， 当a值相同时，在按照b键排序，返回的是一个根据排序的位置序列，序列记录了每个位置的值在数组中的索引位置。
类似sql中 order by key_a, key_b 用法。
7 np.bincount() 计算1维数组中每个非负整数出现的次数
定义函数
def bincount(x, weights=None, minlength=None):
"""
bincount(x, weights=None, minlength=0)
Count number of occurrences of each value in array of non-negative ints.
...
Parameters
----------
x : array_like, 1 dimension, nonnegative ints
Input array.
weights : array_like, optional
Weights, array of the same shape as `x`.
minlength : int, optional
A minimum number of bins for the output array.
.. versionadded:: 1.6.0
Returns
-------
out : ndarray of ints
The result of binning the input array.
The length of `out` is equal to ``np.amax(x)+1``.
示例： >>> np.bincount(np.array([0, 1, 1, 3, 2, 1, 7])) array([1, 3, 1, 1, 0, 0, 0, 1])
使用说明：
bincount() 函数返回序列的长度 ， 为 bincount(a) 参数a中 最大值+ 1 (The length of `out` is equal to “np.amax(x)+1“.)
bincount()参数要求是1维整数。返回结果是统计输入数组中，每个非负整数出现的次数。 返回值的序列为从0 到最大值+1， 用于分别记录每个输入数组中每个值出现的次数。
有个weights权重参数可选，使用时长度和输入数组保存一致，计算次数时值对应的权重叠加统计。
8 np.putmask()
Changes elements of an array based on conditional and input values.
根据条件改变数组中的值，可以用np.where()替换实现。
9 np.shares_memory() 查看两个数组是否共享内存
Examples
--------
>>> x = np.array([1, 2, 3, 4])
>>> np.shares_memory(x, np.array([5, 6, 7]))
False
>>> np.shares_memory(x[::2], x)
True
>>> np.shares_memory(x[::2], x[1::2])
False
10 np.may_share_memory() 查看两个数组可能来自同一个内存数组
Examples
--------
>>> np.may_share_memory(np.array([1,2]), np.array([5,8,9]))
False
>>> x = np.zeros([3, 4])
>>> np.may_share_memory(x[:,0], x[:,1])
True
11 np.take() 选取数组中的指定位置数据
Examples -------- >>> a = [4, 3, 5, 7, 6, 8] >>> indices = [0, 1, 4] >>> np.take(a, indices) array([4, 3, 6])
12 np.reshape() 重塑数组shape
Examples
--------
>>> a = np.array([[1,2,3], [4,5,6]])
>>> np.reshape(a, 6)
array([1, 2, 3, 4, 5, 6])
>>> np.reshape(a, 6, order='F')
array([1, 4, 2, 5, 3, 6])
>>> np.reshape(a, (3,-1)) # the unspecified value is inferred to be 2
array([[1, 2],
[3, 4],
[5, 6]])
重塑shape时，指定一个轴为-1时，则根据另一个轴的维度自适应。
13 基础函数集合
np.average()
np.gradient()
返回一组数据的梯度
