前言
这几天很忙啊，所以也没时间静下心来写文章，现在好点了，我们继续numpy官网之旅
import numpy as np
形状操作
改变数组的形状
a = np.floor(10*np.random.random((3,4)))
a
a.resize((2,6))
a
注：改变a数组形状
如果在改变形状操作中将尺寸给定为-1，则会自动计算其尺寸：
a.reshape(3,-1)
查看这部分更多更详细的用法可以看：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
下图部分：
堆叠不同的数组
几个数组可以沿不同的轴堆叠在一起：
a = np.floor(10*np.random.random((2,2)))
a
b = np.floor(10*np.random.random((2,2)))
b
np.vstack((a,b))
注：这里v是vertical的缩写，意思是垂直方向，所以这里是按照竖直方向堆叠数组
np.hstack((a,b))
注：这里的h是horizontal的缩写，是水平方向，所以这里是指的水平方向堆叠数组
函数column_stack将1维数组作为列堆叠成2维数组。
from numpy import newaxis
np.column_stack((a,b))
注：水平方向堆叠成二维数组
a = np.array([4.,2.])
b = np.array([2.,8.])
a[:,newaxis]
注：切片出二维数组
np.column_stack((a[:,newaxis],b[:,newaxis]))
注：将两个切片的二维数组组成新的二维数组
np.vstack((a[:,newaxis],b[:,newaxis]))
注：竖直方向堆叠出新的二维数组
注意：在复杂情况下，r_和c_对于通过沿一个轴堆叠数字来创建数组很有用。 它们允许使用范围文字（“：”）
np.r_[1:4,0,4]
注：1—3，0，4组成数组
当使用数组作为参数时，r_和c_在其默认行为中类似于vstack和hstack，但允许使用可选参数来指定要连接的轴数。
查看这部分更多更详细的用法可以看：https://docs.scipy.org/doc/numpy-dev/user/quickstart.html
下图部分：
将一个数组分成几个较小的数组
使用hsplit，可以沿着水平轴拆分数组，方法是指定要返回的等同形状数组的数量，或者指定之后应该进行拆分的列
a = np.floor(10*np.random.random((2,12)))
a
np.hsplit(a,3)
注：将a数组水平方向切分成相等的3份
np.hsplit(a,(3,4))
注：从第三个和第四个后面分别切一刀，水平分成3块新数组
np.hsplit(a,(3,))
注：从第三个后面切一刀，水平分成2块新数组
vsplit沿垂直轴分割，而array_split允许用来指定要分割的轴：
np.vsplit(a,(1,))
注：从第一行后面切一刀，垂直分成2块新数组
复制和视图
当操作数组时，它们的数据有时被复制到一个新的数组中，有时候不会。 这往往是初学者混乱的根源。 有三种情况：
没有复制的情况
简单的赋值不会使数组对象或其数据被复制
a = np.arange(12)
b = a
b is a
注：这里a和b指向的是同一个数组，操作时并没有产生新的复制内容
b.shape = 3,4
a.shape
注：这里改变b数组的形状，a的也发生了变化，说明这里a和b指向的是同一个数组
Python将可变对象作为引用传递，因此函数调用不会复制一份新的
def f(x):
print(id(x))
id(a)
f(a)
注：这里函数返回的结果id是相同的，所以函数调用不会复制一份新的内容（id是对象的唯一标识）
视图或浅拷贝
不同的数组对象可以共享相同的数据。 视图方法创建一个包含相同数据的新数组对象
c = a.view()
c is a
注：通过view方法生成的c已经和a不是同一个了
c.base is a
注：c是基于a的
c.flags.owndata
注：c拥有数据？：并没有（因为c是拷贝了a的）
a.flags.owndata
注：a拥有数据
c.shape = 2,6
、
注：c的形状（3行4列）
c[0,4] = 1234
a
注：在c中修改会传到a中，因为数据实际保存在a中
切换数组返回其视图：
s = a[ : , 1:3]
s[:] = 10
a
注：s[:]是s的视图。注意s=10 和 s[:]=10的不同
深层复制
深层复制方法将完整复制数组及其数据
d = a.copy()
d is a
注：创建了新的数组和新的数据
d.base is a 
注：d没有和a共享任何数据
d[0,0] = 9999
a
注：d内容修改不会影响a
函数和方法概述
这里列出了一些有用的NumPy函数和方法， 有关完整列表，请参阅例程：
https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines
今天更新内容比较少，太累了。
