numpy函数学习
1.array 创建数组方法
a = np.arang(25)
a = a.reshape((5,5))
# print(type(a))
# print(a.dtype)
# print(a.size)
# print(a.shape)
# print(a.itemsize)
# print(a.ndim)
# print(a.nbytes)
方法：reshape 改变形状
// type：对象类型
dtype:数据类型 datatype简写
size : 数组大小
itemsize:属性是每个项占用的字节数。这个数组的数据类型是int 64，一个int 64中有64位，一个字节中有8位，除以64除以8，你就可以得到它占用了多少字节
ndim:维数
nbytes:属性是数组中的所有数据消耗掉的字节数。你应该注意到，这并不计算数组的开销，因此数组占用的实际空间将稍微大一点
dot() 函数计算两个数组的点积。它返回的是一个标量（只有大小没有方向的一个值）而不是数组。
矩阵和矢量产品
- dot(a, b[, out]) 两个数组的点积。
linalg.multi_dot(arrays) 在单个函数调用中计算两个或多个数组的点积，同时自动选择最快的求值顺序。 - vdot(a, b) 返回两个向量的点积。
- inner(a, b) 两个数组的内积。
- outer(a, b[, out]) 计算两个向量的外积。
- matmul(a, b[, out]) 两个数组的矩阵乘积。
- tensordot(a, b[, axes]) 对于数组> = 1-D，沿指定轴计算张量点积。
- einsum(subscripts, *operands[, out, dtype, …]) 评估操作数上的爱因斯坦求和约定。
- einsum_path(subscripts, *operands[, optimize]) 通过考虑中间数组的创建，评估einsum表达式的最低成本收缩顺序。
- linalg.matrix_power(M, n) 将方阵提高到（整数）幂n。
- kron(a, b) 两个阵列的Kronecker产品。
矩阵特征值
- linalg.eig(a) 计算正方形阵列的特征值和右特征向量。
- linalg.eigh(a[, UPLO]) 返回Hermitian或对称矩阵的特征值和特征向量。
- linalg.eigvals(a) 计算一般矩阵的特征值。
- linalg.eigvalsh(a[, UPLO]) 计算Hermitian或实对称矩阵的特征值。
规范和其他数字
- linalg.norm(x[, ord, axis, keepdims]) 矩阵或矢量规范。
- linalg.cond(x[, p]) 计算矩阵的条件数。
- linalg.det(a) 计算数组的行列式。
- linalg.matrix_rank(M[, tol, hermitian]) 使用SVD方法返回阵列的矩阵等级
- linalg.slogdet(a) Compute the sign and (natural) 数组行列式的对数。
- trace(a[, offset, axis1, axis2, dtype, out]) 返回数组对角线的总和。
求解方程和反转矩阵
- linalg.solve(a, b) 求解线性矩阵方程或线性标量方程组。
- linalg.tensorsolve(a, b[, axes]) 求解x的张量方程ax = b。
- linalg.lstsq(a, b[, rcond]) 将最小二乘解返回到线性矩阵方程。
- linalg.inv(a) 计算矩阵的（乘法）逆。
- linalg.pinv(a[, rcond]) 计算矩阵的（Moore-Penrose）伪逆。
- linalg.tensorinv(a[, ind]) 计算N维数组的“逆”。
linespace使用详解
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
在指定的间隔内返回均匀间隔的数字。
返回num均匀分布的样本，在[start, stop]。
这个区间的端点可以任意的被排除在外。
如图，返回大小为20的1-10之间的数组，平均分布的
对比方法
arangeSimilar to linspace, but uses a step size (instead of the number of samples).arange使用的是步长，而不是样本的数量
logspaceSamples uniformly distributed in log space.
b = np.arange(10) print(b) >>[0 1 2 3 4 5 6 7 8 9]
可以看这篇文章，写得很详细了。
