理解多維矩陣的"求和"、"平均"操作確實太惡心了，numpy提供的函數里還有一堆參數，搞得暈頭轉向的，這里做個筆記，提醒一下自己， 下面是例程

結果是分別是

我個人比較raw的認識就是，axis=0，那么輸出矩陣是1行，求每一列的平均（按照每一行去求平均）；axis=1，輸出矩陣是1列，求每一行的平均（按照每一列去求平均）。還可以這么理解，axis是幾，那就表明哪一維度被壓縮成1。

再舉個更復雜點的例子，比如我們輸入為batch = [128, 28, 28]，可以理解為batch=128，圖片大小為28×28像素，我們相求這128個圖片的均值，應該這么寫

輸出結果m的shape為(28,28)，就是這128個圖片在每一個像素點平均值。

Numpy基礎筆記

Python（1） 

版權聲明：本文為博主原創文章，未經博主允許不得轉載。

    Numpy簡介

    Numpy（Numerical Python的簡稱）是高性能科學計算和數據分析的基礎包。其部分功能如下：

    ⑤用于集成由C、C++、Fortran等語言編寫的代碼的工具。

    創建數組

    創建數組最簡單的辦法是使用array函數。它接受一切序列型的對象（包括其他數組），然后產生一個新的含有傳入數據的NumPy數組。以一個列表的轉換為例：

arr=np.array([[1.,2.,3.],[4.,5.,6.]])    #創建二維數組  arr*arr    #行列號相同的數組元素間運算  arr-arr  1/arr  arr*0.5   %20  基本的索引與切片

[python] view%20plain copy arr=np.arange(10)  arr[5]    #索引第6個元素  arr[5:8]    #索引第6到第9個元素作為數組  arr[5:8]=12    #令第6到第9個元素等于12  arr_slice=arr[5:8]    #數組切片是原始數據的視圖，視圖上的任何修改都會反映到原數組  arr_slice[:]=64    #將數組切片的全部元素改為64  arr[5:8].copy()    #得到數組切片的一份副本  arr2d=np.array([[1,2,3],[4,5,6],[7,8,9]])  arr2d[2]    #索引二維數組第3行  arr2d[0][2]  arr2d[0,2]    #等價索引1行3列元素  arr2d[:2]    #索引第1行和第2行（不含第3行）  arr2d[:,:1]    #索引第1列  arr2d[:-2]    #使用負數索引將從尾部開始選取行   %20  數組轉置和軸對換 %20  轉置（transpose）是重塑的一種特殊形式，它返回的是源數據的視圖（不會進行復制操作）。

[python] view%20plain copy arr=np.arange(15).reshape((3,5))    #生成順序數組，后整形為3行5列  arr.T    #轉置  arr=np.random.randn(6,3)    #randn函數生成一些正態分布的隨機數組（6行3列）  np.dot(arr.T,arr)    #利用np.dot計算矩陣內積XTX   %20  通用函數：快速的元素級數組函數

 %20 %20通用函數（即ufunc）是一種對ndarray中的數據執行元素級運算的函數。

[python] view%20plain copy arr=np.arange(10)  np.sqrt(arr)    #計算各元素的平方根（arr**0.5）  exp  #計算各元素指數ex;  abs  #絕對值;  np.add(x,y)  #x、y數組中對應元素相加;  subtract #相減;  mult    利用數組進行數據處理

    用數組表達式代替循環的做法，通常稱為矢量化    將條件邏輯表述為數組運算

    Numpy.where函數是三元表達式x if condition else y的矢量化版本

[python] view plain copy xarr=np.array([1.1,1.2,1.3,1.4,1.5])    #兩個數值數組  yarr=np.array([2.1,2.2,2.3,2.4,2.5])  cond=np.array([True,False,True,True,False])    #一個布爾數組  result=np.where(cond,xarr,yarr)    #三元表達式   %20  數學和統計方法 %20 %20可以通過數組上的一組數學函數對整個數組或某個軸向的數據進行統計計算。Sum、mean以及標準差std等聚合計算（aggregation，通常叫做約簡（reduction））既可以當做數組的實例方法調用，也可以當做頂級NumPy函數使用：

[python] view%20plain copy arr=np.random.randn(5,4)  arr.mean();  np.mean(arr);  arr.sum();  arr.mean(axis=1)    #計算該軸上的統計值（0為列，1為行）   %20  用于布爾型數組的方法 %20 %20布爾值會被強制轉換為1（True）和0（False）。因此，sum經常被用來對布爾型數組中的True值計數：[python] view%20plain copy arr=randn(100)  (arr>0).sum()    #正值的數量  bools.any()    #用于測試數組中是否存在一個或多個True  bools.all()    #用于測試數組中所有值是否都是True   %20  排序 %20 %20跟Python內置的列表類型一樣，NumPy數組也可以通過sort方法就地排序（修改數組本身）。

[python] view%20plain copy arr=randn(8)  arr.sort()  arr=randn(5,3)  arr.sort(0)  #二維數組按列排序;  arr.sort(1)  #二維數組按行排序;   %20  唯一化[python] view%20plain copy ints=np.array([3,3,3,2,2,1,1,4,4])  np.unique(names)    #找出數組中的唯一值并返回已排序的結果   %20  用于數組的文件輸入輸出 %20 %20Numpy能夠讀寫磁盤上的文本數據或二進制數據。

[python] view%20plain copy arr=np.arange(10)  np.save(‘some_array’,arr)  #數組以未壓縮的原始二進制格式保存在.npy文件中  np.load(‘some_array’)  #通過np.load讀取磁盤上的數組  np.savez(‘array_archive.npz’,a=arr,b=arr)  #將多個數組以保存在一個壓縮文件中  a=np.arange(0,12,0.5).reshape(4,-1)  np.savetxt(‘E://knakan//a.txt’,a)  #缺省按照’%.18e’格式保存數據，以空格分隔  np.loadtxt(‘E://kankan//a.txt’)  np.savetxt(‘E://kankan//a.txt’,a,fmt=”%d”,delimiter=”,”)  #改為保存為整數，以逗號分隔  np.loadtxt(‘E://kankan//a.txt’,delimiter=”,”)  #讀入時也需指定逗號分隔   %20  線性代數

[python] view%20plain copy x=np.array([[1.,2.,3.],[4.,5.,6.]])  y=np.array([[6.,23.],[-1,7],[8,9]])  x.dot(y)  #矩陣乘法，相當于np.dot(x,y)  【參考文獻】

[1]. 利用Python進行數據分析，wes McKinney著，唐學韜譯，2014年，機械工業出版社