numpy公式小总结1

umpy.array（）产生的数据可以是一维，二维乃至n维

numpy.matrix()  产生的数据是严格的二维

numpy.abs()计算绝对值
numpy.linalg.norm()计算范数，默认计算L²范数
numpy.linsapce()指定的间隔内返回均匀间隔数组
numpy.maximum() 计算最大值
numpy.meshgrid() 生成网格化数据

numpy.add() 向量/矩阵加法

matplotlib.pyplot,quiver() 绘制箭头图
numpy.arccos () 计算反余弦

numpy.array([[4，3]])[:，None] 构造列向量 

numpy,array([[4,3]])  构造行向量,注意双重方括号

 numpy.array ([[4],[3]]) 构造列向量,注意双重方括号

 numpy.array([[4,3]]). T 行向量转置得到列向量，注意双重方括号

 numpy.array([4,3])[:，numpy.newaxis] 构造列向量 

numpy.array([4,3]) [None，:] 构造行向量

numpy.array([4, 3]) (numpy.newaxis，:] 构造行向量

numpy.array([4,3]) 构造一维数组，严格来说不是行向量

numpy.array([4,3]).reshape((-1，1)) 构造列向量
numpy.array([4,3]), ndmin=2) 构造行向量

numpy.array([4,3]) .reshape((1，-1))构造行向量 
numpy.cross() 计算列向量或行向量的向量积
numpy.dot() 计算向量内积。如果输入为一维数组，则numpy.dot()输出结果为向量内积如果输入为矩阵，则numpy.dot()输出结果为矩阵乘积,相当于矩阵运算符@

numpy.linalg.norm()默认计算L²范数

numpy.multiply()计算向量逐项积

numpy.ones()生成全1向量/矩阵
numpy.-r_[]将一系列数组合并:'r’设定结果以行向量(默认)展示，如numpy.r_[numpy. array([1,2])， 0，0，numpy.array([4,5])]默认产生行向量

numpy.r_['c’，[4,3]]构造列向量

numpy.subtract()向量/矩阵减法
numpy.vdot ()计算两个向量的向量内积。如果输入是矩阵,则矩阵会按照先行、后列的顺序展开成向量之后,再计算向量内积
numpy.zeros()生成全0向量/矩阵
scipy.spatial.distance.cosine()计算余弦距离
zip(*) 将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组,然后返回由这些元组组成的列表。*代表解包,返回的每一个都是元祖类型，而并非是原来的数据类型

numpy.diag() 提取矩阵主对角元素

 numpy.add() 矩阵加法运算，等同于 + 

numpy.array() 构造多维矩阵/数组 

numpy.linalg.det() 计算行列式值 

numpy.linalg.inv() 计算矩阵逆 

numpy.linalg.matrix_power() 计算矩阵幂

 numpy.matrix() 构造二维矩阵，有别于 numpy.array() 

numpy.multiply() 矩阵逐项积 

numpy.ones() 生成全 1 矩阵，输入为矩阵形状 

numpy.ones_like() 用来生成和输入矩阵形状相同的全 1 矩阵 

numpy.subtract() 矩阵减法运算，等同于 - 

numpy.trace() 计算矩阵迹 

numpy.zeros() 生成零矩阵，输入为矩阵形状 

numpy.zeros_like() 用来生成和输入矩阵形状相同的零矩阵 

tranpose() 矩阵转置，比如 A.transpose()，等同于 A.T

matplotlib.pyplot.axhline()绘制水平线
matplotlib.pyplot.axvline()绘制竖直线

matplotlib.pyplot.contour()绘制等高线图

matplotlib.pyplot.contourf()绘制填充等高线图