目录
14、round(float类型的数，保留小数的位数）——保留指定位数的小数
第二章 k近邻算法
1、array.sum(axies = 1) :
返回数组行向量和组成的数组
2、array.argsort(axies=0/1)
https://blog.csdn.net/Python798/article/details/81138040
返回返回的是数组值从小到大的索引值
axies = 0:按列排序
axies = 1:按行排列
3、array.tile(mat,(m,n))
https://www.jianshu.com/p/9519f1984c70
复制功能，将数组mat横向复制m个，纵向复制n个
4、dict.get(key,value)
根据键名称来获得在字典dictionary中对应的值，若在dict中不存在该键key，则返回指定的value值，注意这不会改变原始字典，即不会将不存在的key添加到字典中去
a = {1:2,3:1}
print(a.get(1,999))
print(a.get(4,12))
print(a)
2#key存在返回值
12#key不存在返回指定的value
{1: 2, 3: 1}#不改变原始字典的键值对以下方式会改变原始字典的键值对：
a = {1:2,3:1}
key = "jjj"
print(a)
a[key] = a.get(key,0)
print(a)
{1: 2, 3: 1}
{1: 2, 3: 1, 'jjj': 0}5、sorted函数
根据一定的规则（升序or降序）对指定维度（这里通过operator来指定）进行排序
sorted(classCount.items(),#获得所有的键值对，以元组的形式存在，元组存放在一个列表中
key = operator.itemgetter(1),#对第二个元素进行排序
reverse = True)#True表示从大到小进行排序6、string.strip()函数
去掉字符串首尾空格
7、string.split()
按照指定的划分规则将字符串划分成一个个元素组成一个列表
8、scatter（）函数
plt.scatter(returnmat[:,0],returnmat[:,1],
15*np.array(classLabelVector),#指的是标记的大小
15*np.array(classLabelVector))#表示的是颜色的值9、min()&max()
返回最值
array.min(n)
当n=0时，返回的是每一列的最小值组成的列表，当n=1，返回的是每一行的最小值组成的列表
对于max来说同理
10、enumerate（s,0/1）
https://www.cnblogs.com/tylf-lk/p/10133489.html
返回的是一个元组，（index，value），索引号和值组成的元组
for i in enumerate(s,1):
print(i)11、np.where()
https://www.cnblogs.com/massquantity/p/8908859.html
根据一定的筛选条件返回数值
12、zip()函数，压缩数据
https://blog.csdn.net/Trent1985/article/details/77096683
将多个序列的相同位置的元素组合成一个元组，最后变成一个列表返回
注意：这里zip所接受的多个序列的维度必须是一致的，各维度的·长度也必须是一样的，否则无法进行配对
from numpy import array
from numpy import int64
loc = (array([180, 180, 181, 181, 236, 236, 236, 236, 237, 237, 237, 237, 238,
238, 238, 238], dtype=int64), array([580, 581, 580, 581, 566, 567, 568, 569, 566, 567, 568, 569, 566,
567, 568, 569], dtype=int64))
loc_ = loc[::-1]#反向进行取值
print(*loc_)
for i in (zip(*loc_)):
print(i)
'''
[580 581 580 581 566 567 568 569 566 567 568 569 566 567 568 569] [180 180 181 181 236 236 236 236 237 237 237 237 238 238 238 238]
(580, 180)
(581, 180)
(580, 181)
(581, 181)
(566, 236)
(567, 236)
(568, 236)
(569, 236)
(566, 237)
(567, 237)
(568, 237)
(569, 237)
(566, 238)
(567, 238)
(568, 238)
(569, 238)
'''13、*list——解压
将list中的元素独立开来，作为独立的参数
https://blog.csdn.net/hellenlee22/article/details/89740923
14、round(float类型的数，保留小数的位数）——保留指定位数的小数
第十章 聚类算法
1、nonzero()函数
解释
nonzero(a)
返回数组a中非零元素的索引值数组。
（1）只有a中非零元素才会有索引值，那些零值元素没有索引值；
（2）返回的索引值数组是一个2维tuple数组，该tuple数组中包含一维的array数组。其中，一维array向量的个数与a的维数是一致的。
（3）索引值数组的每一个array均是从一个维度上来描述其索引值。比如，如果a是一个二维数组，则索引值数组有两个array，第一个array从行维度来描述索引值；第二个array从列维度来描述索引值。
（4） 该np.transpose(np.nonzero(x))
函数能够描述出每一个非零元素在不同维度的索引值。
（5）通过a[nonzero(a)]得到所有a中的非零值
链接：https://blog.csdn.net/u013698770/article/details/54632047
2、matrix.A
将矩阵mat转换成数组adrray
https://blog.csdn.net/qq_41800366/article/details/87866932
3.add_axes()新增子区域
个人理解就是类似于photoshop中的图层一样，为图中图做准备
add_axes新增子区域
add_axes为新增子区域，该区域可以座落在figure内任意位置，且该区域可任意设置大小
可以用来做一些子图，图中图
考虑如下代码：
import numpy as np
import matplotlib.pyplot as plt
#新建figure
fig = plt.figure()
#定义数据
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 7, 15, 24, 30, 50, 55]
#新建区域ax1
#figure的百分比,从figure 10%的位置开始绘制, 宽高是figure的80%
left, bottom, width, height = 0.1, 0.1, 0.8, 0.8
#获得绘制的句柄
ax1 = fig.add_axes([left, bottom, width, height])
ax1.plot(x, y, ‘r’)
ax1.set_title(‘area1’)
#新增区域ax2,嵌套在ax1内，看一看图中图是什么样，这就是与subplot的区别
left, bottom, width, height = 0.2, 0.6, 0.25, 0.25
#获得绘制的句柄
ax2 = fig.add_axes([left, bottom, width, height])
ax2.plot(x,y, ‘b’)
ax2.set_title(‘area2’)
plt.show()
参考链接：https://blog.csdn.net/qq_41011336/article/details/83017101
import matplotlib.pyplot as plt
import numpy as np
import cv2
fig = plt.figure()# 获得图像窗口句柄
rect0 = [0.1,0.1,0.8,0.8] # left, bottom, width, height
rect1 = [0.3,0.3,0.5,0.5] # left, bottom, width, height
# 读取图片
img = plt.imread(r"E:\Portland.png")
img1 = plt.imread(r"E:\二分聚类结果.png")
# 新增图层，在同一个图像窗口进行绘制，这是每一个图层的句柄
ax0 = fig.add_axes(rect0,label='ax0')
ax1 = fig.add_axes(rect1,label='ax1')
# 显示图像
ax0.imshow(img)
ax1.imshow(img1)
plt.show()