1.
X = X[y != 0, :2]
逗号是分割行与列，y != 0在行的位置，表示行不取y = 0 的所有行，而:2在列的位置，说明列取0到2的列（不包括2），
所以就是不取y=0的所有第0列与第1列
2.numpy.random.permutation（）
返回一个改变的序列或 矩阵
np.random.permutation(10)
array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])
>>>
>>> np.random.permutation([1, 4, 9, 12, 15])
array([15, 1, 9, 4, 12])
>>>
>>> arr = np.arange(9).reshape((3, 3))
>>> np.random.permutation(arr)
array([[6, 7, 8],
[0, 1, 2],
[3, 4, 5]])3.
这个函数的使用方法，在这里已经有前辈讲解过了，只是自己在测试的时候有一些思考，所以便写了这篇博客。下面是前辈文章的原话：
seed( ) 用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed( )值，则每次生成的随即数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。
编写如下第一份代码：
from numpy import *
num=0
while(num<5):
random.seed(5)
print(random.random())
num+=1
1
2
3
4
5
6
运行结果为：
0.22199317108973948
0.22199317108973948
0.22199317108973948
0.22199317108973948
0.22199317108973948
1
2
3
4
5
可以看到，每次运行的结果都是一样的
修改代码，如下为第二份代码：
from numpy import *
num=0
random.seed(5)
while(num<5):
print(random.random())
num+=1
1
2
3
4
5
6
运行结果为：
0.22199317108973948
0.8707323061773764
0.20671915533942642
0.9186109079379216
0.48841118879482914
1
2
3
4
5
故对于该函数的使用，可总结为：
seed( ) 用于指定随机数生成时所用算法开始的整数值。
1.如果使用相同的seed( )值，则每次生成的随即数都相同；
2.如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。
3.设置的seed()值仅一次有效
产生整数rand的原理是：
y＝ax＋b（mod n）其中，n一般是一个很大的素数，几万。
a也是大素数。而且a，b，n都是常数。所以rand的产生决定于x，
他被称为seed。
3.
numpy的ravel() 和 flatten()函数
简介
首先声明两者所要实现的功能是一致的（将多维数组降位一维）。这点从两个单词的意也可以看出来，ravel(散开，解开)，flatten（变平）。两者的区别在于返回拷贝（copy）还是返回视图（view），numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵，而numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（reflects）原始矩阵。
两者功能
In [14]: x=np.array([[1,2],[3,4]])
# flattenh函数和ravel函数在降维时默认是行序优先
In [15]: x.flatten()
Out[15]: array([1, 2, 3, 4])
In [17]: x.ravel()
Out[17]: array([1, 2, 3, 4])
# 传入'F'参数表示列序优先
In [18]: x.flatten('F')
Out[18]: array([1, 3, 2, 4])
In [19]: x.ravel('F')
Out[19]: array([1, 3, 2, 4])
#reshape函数当参数只有一个-1时表示将数组降为一维
In [21]: x.reshape(-1)
Out[21]: array([1, 2, 3, 4])
#x.T表示x的转置
In [22]: x.T.reshape(-1)
Out[22]: array([1, 3, 2, 4])- 区别
>>> x = np.array([[1, 2], [3, 4]])
>>> x.flatten()[1] = 100
>>> x
array([[1, 2],
[3, 4]])
>>> x.ravel()[1] = 100
>>> x
array([[ 1, 100],
[ 3, 4]])- faltten 是拷贝，不改变原数组，而ravel是直接改变原数组。
4. np.c_与 np.r_的应用
例子
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = np.c_[a,b]
print(np.r_[a,b])
print(c)
print(np.c_[c,a])
np.r_是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等，类似于pandas中的concat()。
np.c_是按行连接两个矩阵，就是把两矩阵左右相加，要求行数相等，类似于pandas中的merge()。
结果：
[1 2 3 4 5 6]
[[1 4]
[2 5]
[3 6]]
[[1 4 1]
[2 5 2]
[3 6 3]]
在numpy中，一个列表虽然是横着表示的，但它是列向量。（非常重要的话）
---------------------
5 .
numpy.sort
numpy.sort(a, axis=-1, kind='quicksort', order=None)
参数：
a--需要排列的数组；
axis--排列参考的轴，默认是axis=-1（行排序），axis=1（行排序），axis=0（列排序），axis=none（放平后排序）
>>> a = np.array([[1,4],[3,1]])
>>> np.sort(a) # 行排序
array([[1, 4],
[1, 3]])
>>> np.sort(a, axis=None) # 放平后排序
array([1, 1, 3, 4])
>>> np.sort(a, axis=0) # 列排序
array([[1, 1],
[3, 4]])