用来记录学习过程中遇到的numpy库各种模块，类，函数的用法
（1）np.vstack
numpy.vstack(tup)
垂直按顺序堆叠数组（按行），等效于形状为（N,1）的一维数组被重塑为（1,N）后沿第一轴的串联。
该函数在超过3维的数组中作用比较大，例如像素数据包括高度（第一轴），宽度（第二轴），rgb channel（第三轴）。函数 concatenate，stack和 block提供更常规的堆叠和串联操作
- 参数：tup（数组序列）
除第一个轴外，数组必须具有相同的形状。一维数组必须具有相同的长度。 - 返回：stacked（多维数组）
基于给定数组形成堆栈，至少是二维
与vstack功能类似的操作：concatenate，stack，block，hstack，dstack，column_stack，vsplit
>>> a=np.array([1,2,3])
>>> b=np.array([4,5,6])
>>> np.vstack((a,b))
array([[1, 2, 3],
[4, 5, 6]])
>>> a=np.array([[1],[2],[3]])
>>> b=np.array([[4], [5], [6]])
>>> np.vstack((a,b))
array([[1],
[2],
[3],
[4],
[5],
[6]])
（2）np.random.permutation
random.permutation(x)
随机排列序列，或返回排列范围。如果 x 是多维数组，则仅沿其第一个索引进行随机排列。
- 参数：x（整数或者数组）
如果x是一个整数，随机排列np.arange(x)，如果x是一个数组，创建副本，然后随机洗牌元素。 - 返回：out（多维数组）
重排列的序列或者数组范围
>>> np.random.permutation(10)
array([0, 7, 8, 4, 2, 6, 3, 5, 9, 1])
>>> np.random.permutation([1,4,7,8,3])
array([4, 8, 1, 7, 3])
>>> arr=np.arange(9).reshape(3,3)
>>> arr
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
>>> np.random.permutation(arr)
array([[6, 7, 8],
[3, 4, 5],
[0, 1, 2]])
numpy库中已经对此方法进行更新，新方法使用见
Generator.permutation
（3）np.empty_like
numpy.empty_like(prototype, dtype=None, order='K', subok=True, shape=None)
返回与给定数组具有相同形状和类型的新数组。
类似用法：ones_like，zeros_like，full_like，empty
>>> a = ([1,2,3], [4,5,6])
>>> np.empty_like(a)
array([[ 0, 10, 1],
[105553155014656, 55834574861, 0]])
>>> a = np.array([[1., 2., 3.],[4.,5.,6.]])
>>> np.empty_like(a)
array([[4.9e-324, 9.9e-324, 1.5e-323],
[2.0e-323, 2.5e-323, 3.0e-323]])
（4）np.empty
numpy.empty(shape, dtype=float, order='C', *, like=None)
返回给定形状和类型的新数组，不初始化初始化条目，和np.empty_like区别在于：np.empty输入shape即数组的形状，np.empty_like输入prototype数组
>>> np.empty([2,2])
array([[0.0000e+000, 1.0094e-320],
[7.9051e-323, 7.9051e-323]])
>>> np.empty([2,2],dtype=int)
array([[ 0, 2043],
[ 16, 16]])
（5）np.diff
numpy.diff(a, n=1, axis=-1, prepend=<no value>, append=<no value>)
沿给定轴计算第n个离散差值。第一个差值由out[i]=a[i+1]-a[i]沿给定轴给出，更大的差值通过使用diff递归计算。
a：array_like 输入数组
n：int, optional 差分次数。如果为零，则按原样返回输入
axis：int, optional 取差值的轴，默认为最后一个轴
diff：ndarray 输出差值计算后的数组，大小由a和n决定
>>> x=np.array([1,2,4,7,0])
>>> np.diff(x)
array([ 1, 2, 3, -7])
>>> np.diff(x,n=2)
array([ 1, 1, -10])
>>> x=np.array([[1,3,6,10],[0,5,6,8]])
>>> np.diff(x)
array([[2, 3, 4],
[5, 1, 2]])
>>> np.diff(x,axis=0)
array([[-1, 2, 0, -2]])
一个值得注意的例外是datetime64，它会生成timedelta64的输出数组。
>>> x = np.arange('1066-10-13', '1066-10-16', dtype=np.datetime64)
>>> np.diff(x)
array([1, 1], dtype='timedelta64[D]')
（6）np.random.choice
random.choice(a, size=None, replace=True, p=None)
从给定的一维数组生成随机样本
a：1-D array-like or int 如果是一维数组，随机样本从元素中产生，如果是整数，随机样本从np.arange(a)中产生
size：int or tuple of ints, optional 输出形状，如果给定形状为(m, n, k)，那么抽取m * n * k 个样本，默认为None，返回一个单一值
replace：boolean, optional 是否能重复选择
p：1-D array-like, optional 与a中的每个条目相关的概率。如果不给出，则样本假设a中所有条目的概率分布均匀。
samples：single item or ndarray 产生的随机样本
与其类似的函数：randint, shuffle, permutation, Generator.choice
>>> np.random.choice(5,3,replace=False)
array([0, 3, 4])
>>> #This is equivalent to np.random.permutation(np.arange(5))[:3]
>>> np.random.choice(5,3,replace=False,p=[0.1, 0, 0.3, 0.6, 0])
array([3, 0, 2])
任何数组形状都能使用，不仅仅是整数
>>> aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
>>> np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
array(['pooh', 'pooh', 'Christopher', 'pooh', 'Christopher'], dtype='<U11')
（7）np.random.randint
random.randint(low, high=None, size=None, dtype=int)
返回从low（包含）到high（不包含）的随机整数
与其类似的用法：random_integers，Generator.integers
>>> np.random.randint(2,size=10)
array([0, 0, 1, 1, 0, 1, 0, 1, 1, 1])
>>> np.random.randint(1,size=10)
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
生成一个值在0-4的2*4数组
>>> np.random.randint(5,size=(2,4))
array([[0, 0, 0, 3],
[1, 2, 1, 2]])
生成1*3数组有三个不同的上届
>>> np.random.randint(1,[3,5,10])
array([1, 4, 6])
使用数据类型为uint8的广播生成2×4阵列
>>> np.random.randint([1,3,5,7],[[10],[20]],dtype=np.uint8)
array([[ 2, 7, 8, 9],
[10, 10, 16, 11]], dtype=uint8)
（8）np.isin
numpy.isin(element, test_elements, assume_unique=False, invert=False)
返回一个与element形状相同的，如果element中的元素在test_elements，则返回True
element：array_like
test_elements：array_like
assume_unique：bool, optional
invert：bool, optional
如果为True，则返回数组中的值将被反转即计算不在test_elements中的元素
>>> element = 2*np.arange(4).reshape((2,2))
>>> element
array([[0, 2],
[4, 6]])
>>> test_elements = [1,2,4,8]
>>> mask = np.isin(element,test_elements)
>>> mask
array([[False, True],
[ True, False]])
>>> element[mask]
array([2, 4])
匹配布尔值可以通过nonzero获得数值
>>> np.nonzero(mask)
(array([0, 1]), array([1, 0]))
invert=True则不在的返回True
>>> mask=np.isin(element,test_elements,invert=True)
>>> mask
array([[ True, False],
[False, True]])
>>> element[mask]
array([0, 6])
因为数组处理集合方式导致以下方式不可行
>>> test_set={
1,2,4,8}
>>> np.isin(element,test_set)
array([[False, False],
[False, False]])
需要先将集合变成列表
>>> np.isin(element, list(test_set))
array([[False, True],
[ True, False]])