python可以用for迭代的都是Iterable,可以next()的都是Iterator。集合类是Iterable而非Iterator。
python中类是一个模板，必须绑定的属性强制填写进类中，而实例instance可以自由绑定属性，可以删除更改。__init__(self,args)中的args就是属性，建立实例时需要必须填写的。所有实例方法都需要第一个参数为self。
通过help(object)可以获得实时帮助。通过iter(object)返回iterator。
python中的字符串可以通过切片提取substring。
re正则表达式模块中，re.match()仅仅匹配text的开始，如果开始不符合pattern则返回None，而re.search()匹配全部直至找到第一个。主要用到的函数方法有compile / search / findall / sub/ subn / match / finditer / split .
善于使用方法进行数字和字符串之间的转化，例如iter()或者int()/float()/complex()/tuple()/list()/chr()。
python中的struct主要作用就是对python基本类型值与用python字符串格式表示的C struct类型间的转化，便于网络传输。struct模块提供Struct类，创建类时可以按照需要pack和unpack的内容定义format，之后通过pack()和unpack()来打包或解包，同时struct模块本身也是提供相应的方法。
python的datetime模块提供给的类包括date、time、datetime和timedelta类，date表示日期，time表示时间，均可相互比较。datetime表示日期时间，可以通过datetime实例方法strftime(str)对日期时间进行格式化。
python 的defaultdict包基于基本结构之上实现了多种其他结构。defaultdict将list / set / int转化为dict，defaultdict(list)和defautldict(set)可以将原序列中的数据借助dict的key索引进行归类或其他操作，defautldict(int)可以对序列中元素计数。OrderedDict可以通过制定的排序方式保持有序。deque双端队列，可以从两端插入和删除，默认的append()方法是从尾部插入，而appendleft/popleft()作用域头部，insert(i,x)可以指定位置插入。Counter用于计数，计数方法很有用。namedtuple命名元组，更具可读性。
python的copy包提供的copy.copy(x)和copy.deepcopy(x)提供复制和深度复制功能。
python中的enumerate(sequence,start)函数可以将sequence从start下标开始，将序列的索引和序列对应的值列出来，第一个是index，第二是value。
python中字符串前面加上r能够防止字符串中的\被转义，如果不加r则会被转义。在字符串赋值和open文件时会起作用。
python中的包裹传递：fn(*a,**b)机制。包裹参数传递的实现是在定义函数时在形参前面加上*或**，*所对应的形参（如上面的a）会被解释为一个元组（tuple，而**所对应的形参（如上面的b）会被解释为一个字典。
python中的dic中items()方法返回每一个k-v的key和value。
python总的format（）方法通过用参数来替代前面字符串中的占位符，占位符需要以{}来表示，可以使用关键字、数字。
python中的矩阵操作
1.建立矩阵
a1=np.array([1,2,3],dtype=int) #建立一个一维数组，数据类型是int。也可以不指定数据类型，使用默认。几乎所有的数组建立函数都可以指定数据类型，即dtype的取值。
a2=np.array([[1,2,3],[2,3,4]]) #建立一个二维数组。此处和MATLAB的二维数组（矩阵）的建立有很大差别。
同样，numpy中也有很多内置的特殊矩阵：
b1=np.zeros((2,3)) #生成一个2行3列的全0矩阵。注意，参数是一个tuple：(2,3)，所以有两个括号。完整的形式为：zeros(shape,dtype=)。相同的结构，有ones()建立全1矩阵。empty()建立一个空矩阵，使用内存中的随机值来填充这个矩阵。
b2=identity(n) #建立n*n的单位阵，这只能是一个方阵。
b3=eye(N,M=None,k=0) #建立一个对角线是1其余值为0的矩阵，用k指定对角线的位置。M默认None。
此外，numpy中还提供了几个like函数，即按照某一个已知的数组的规模（几行几列）建立同样规模的特殊数组。这样的函数有zeros_like()、empty_like()、ones_like()，它们的参数均为如此形式：zeros_like(a,dtype=)，其中，a是一个已知的数组。
c1=np.arange(2,3,0.1) #起点，终点，步长值。含起点值，不含终点值。
c2=np.linspace(1,4,10) #起点，终点，区间内点数。起点终点均包括在内。同理，有logspace()函数
d1=np.linalg.companion(a) #伴随矩阵
d2=np.linalg.triu()/tril() #作用同MATLAB中的同名函数
e1=np.random.rand(3,2) #产生一个3行2列的随机数组。同一空间下，有randn()/randint()等多个随机函数
fliplr()/flipud()/rot90() #功能类似MATLAB同名函数。
xx=np.roll(x,2) #roll()是循环移位函数。此调用表示向右循环移动2位。
2.数组的特征信息
先假设已经存在一个N维数组X了，那么可以得到X的一些属性，这些属性可以在输入X和一个.之后，按tab键查看提示。这里明显看到了Python面向对象的特征。
X.flags #数组的存储情况信息。
X.shape #结果是一个tuple，返回本数组的行数、列数、……
X.ndim #数组的维数，结果是一个数
X.size #数组中元素的数量
X.itemsize #数组中的数据项的所占内存空间大小
X.dtype #数据类型
X.T #如果X是矩阵，发挥的是X的转置矩阵
X.trace() #计算X的迹
np.linalg.det(a) #返回的是矩阵a的行列式
np.linalg.norm(a,ord=None) #计算矩阵a的范数
np.linalg.eig(a) #矩阵a的特征值和特征向量
np.linalg.cond(a,p=None) #矩阵a的条件数
np.linalg.inv(a) #矩阵a的逆矩阵
np.linalg.pinv(a) #矩阵a的伪逆矩阵
3.矩阵分解
常见的矩阵分解函数，numpy.linalg均已经提供。比如cholesky()/qr()/svd()/lu()/schur()等。某些算法为了方便计算或者针对不同的特殊情况，还给出了多种调用形式，以便得到最佳结果。
4.矩阵运算
np.dot(a,b)用来计算数组的点积；vdot(a,b)专门计算矢量的点积，和dot()的区别在于对complex数据类型的处理不一样；innner(a,b)用来计算内积；outer(a,b)计算外积。
专门处理矩阵的数学函数在numpy的子包linalg中定义。比如np.linalg.logm(A)计算矩阵A的对数。可见，这个处理和MATLAB是类似的，使用一个m后缀表示是矩阵的运算。在这个空间内可以使用的有cosm()/sinm()/signm()/sqrtm()等。其中常规exp()对应有三种矩阵形式：expm()使用Pade近似算法、expm2()使用特征值分析算法、expm3()使用泰勒级数算法。在numpy中，也有一个计算矩阵的函数：funm(A,func)。
5.索引
numpy中的数组索引形式和Python是一致的。如：
x=np.arange(10)
print x[2] #单个元素，从前往后正向索引。注意下标是从0开始的。
print x[-2] #从后往前索引。最后一个元素的下标是-1
print x[2:5] #多个元素，左闭右开，默认步长值是1
print x[:-7] #多个元素，从后向前，制定了结束的位置，使用默认步长值
print x[1:7:2] #指定步长值
x.shape=(2,5) #x的shape属性被重新赋值，要求就是元素个数不变。2*5=10
print x[1,3] #二维数组索引单个元素，第2行第4列的那个元素
print x[0] #第一行所有的元素
y=np.arange(35).reshape(5,7) #reshape()函数用于改变数组的维度
print y[1:5:2,::2] #选择二维数组中的某些符合条件的元素
6,矩阵合并
numpy.hstack(a,b)按照行合并，要求行数相同；numpy.vstack(a,b)按照列合并，要求列数相同。
7,numpy.nonzero()方法返回的r个lsit，r是操作矩阵的维数，每一个list对应位置的数组合起来可以确定原来矩阵的该位置的数。返回的不是true或false，而是数字，每个熟悉表示某一维度的索引。
8,矩阵乘法包括了点积、内积、外积和元素积，分别对应numpy的dot/inner/outter/multiply。更重要的是numpy中对ndarray和matrix的处理不同，ndarray由numpy.array()得到，matrix由numpy.mat()得到。使用array时，运算符 * 用于计算数量积(点乘，结果是一个向量，就是对应元素相乘)，函数 dot() 用于计算矢量积(叉乘，结果是一个数值)。使用matrix时，运算符 *和dot()用于计算矢量积。multiply对于他们都是对应元素乘积。另外ndarray和matrix可以相乘，ndarray不一定是一维的。对于matrix，不论是dot还是*，都要符合相乘的要求即可能需要转置矩阵，但是inner和outter不需要考虑转置的要求。对于ndarray，不用考虑相乘形式问题。matrix 只能表示二维数据，而 ndarray 可以表示 N 维数据。可以使用 matrix 的 A 属性或者 NumPy 的 asarray() 方法，将 matrix 转换为 ndarray，可以使用 Numpy 的 asmatrix() 将 ndarray 转换为 matrix。
python中的list如果用“+”则是扩展生成一个新的list，而对应numpy的ndarray和matrix则是对应元素相加。
numpy.where(condition,x,y)，当condition为True时则返回x，都则返回y，相当于[xv if c else yv for (c,xv,yv) in zip(condition,x,y)]。numpy.meshgrid(x,y)根据x和y的维数将两个坐标向量转化为坐标矩阵。
9,python中的优质的高阶函数：filter(func,list)，函数 func 的作用是对每个元素进行判断，返回 True或 False，filter()根据判断结果自动过滤掉不符合条件的元素，返回由符合条件元素组成的新list；列表推倒式[exp for item in collections if condition]，字典推倒式{key_exp：value_exp for item in collection if codition}，推倒可以嵌套；函数或者函数列表作为参数传入某个方法中；lambda表达式来简化函数的书写；支持函数式编程，函数作为变量来赋值、传参和返回；map/reduce()函数，map(func,list)将传入的函数变量func作用到lst变量的每个元素中，并将结果组成新的列表返回，reduce(func(x,y),list)其中func必须有两个参数，每次func计算的结果继续和序列的下一个元素做累积计算；sorted()函数是灵活的排序算法。
10.numpy.split(ndarray,indices,axis)将ndarray按照indices基于轴axis分割，如果indices是一个整数值则说明indices是将ndaaray分割成indices段，如果indices是一个1-D的list则将indices作为界限来分割，分割之后是按照段来存储的。该方法常用在RNN的数据预处理形成batch_input上面，典型的是np.split(inputs.reshape(batch_size,-1),len(inputs)//(batch_size*seq_length),-1)得到一批批的原始输入数据。
11 numpy.stack()是python的拼接函数，有一个人的一篇博客对python的stack()/hstack()/vstack()做了很好的阐述，直接贴上网址：http://blog.csdn.net/csdn15698845876/article/details/73380803
12 np.random.choice(a,num,replace,probability)从a中以probability概率来选择num个数字返回。
python程序在编辑器中可能看起来已经对齐但是仍然报错IndentationError: unindent does not match any outer indentation level，原因一个可能真没有对齐，另一个更隐蔽的是python不支持tab按键和空格按键一起使用来实现对齐，如果出现这种混用的情况就会出现以上错误。所以只要归为同一类型的按键即可。
python的[::-1]是其切片的特殊[i;j;k]形式，代表从i到j以k为步长来切片，k=-1时说明逆序。
json库主要的四个方法：json.dumps : dict转成str json.dump是将python数据保存成json json.loads:str转成dict json.load是读取json数据
python2.x与python3.x的区别：http://www.jb51.net/article/57956.htm