菜鸟学习python编程--杂记 (不定期更新)numpy
目录
1.bool类型的形参+return 的合理使用
其实当i有明确含义时，如下for col in xrange(w)
3.for与np的联合使用，
4. import copy
5. np.clip(data,min,max)，
6. np.where 两种用法
7. np.oneslike(x)
8. s_list = np.random.choice(self.schools_majors, batch_size)
9. np.expand_dims(im, axis=0) n h w c
10. .format
11. z.reshape(-1) 变成一行 z.reshape(-1，1)变成一列
12. continue遇到一种情形先跳过，这次循环
13.map 映射 map(表达式, 列表等) 不用for循环
1.bool类型的形参+return 的合理使用
bool型的形参，代表的是一种情况，搭配return使用，一旦执行，return后面的语句不再执行。
比如下面代表的是只去除左边的空白。
2.总是习惯于for i in range这种，
其实当i有明确含义时，如下for col in xrange(w)
3.for与np的联合使用，
这样就不用两个for嵌套使用
例子： 
如下：for col in xrange(w):
if(im[:,col,:]>240).all():如果全这一列全部都大于240，则左边索引+1
备注：这里的all是np当中的，(im[:,col,:]>240)返回一个bool类型的ndarray，也可以all(im[:,col,:]>240)
当你脑海中想到每一个，的时候，可以考虑any all。如：一列当中每一行的元素都要小于240，表明这一列是空白的。
#############多的地方代表要学习的地方
def remove_zero_padding(image, only_left=False):.
'''OCR分割出性别后去除两边空白的区域'''
h, w = image.shape[:2]
index_left = 0
index_right = w - 1
for col in range(w):
if (image[:, col] >= 240).all():
index_left = col + 1
else:
break
if only_left:#############
return image[:, index_left:]#############
for col in range(w):##########
if (image[:, w - col - 1] >= 240).all():#############
index_right = w - col - 1
else:
break
return image[:, index_left:index_right]4. import copy
out = copy.deepcopy(im) 重新重建一个np，和原先的没关系
out = im.copy() 也可以，操作的时候如下
e.g. im = remove_zero_padding(im.copy()[:, 5:-5])
5. np.clip(data,min,max)，
小于min的都为min，大于max都变为max
x=np.array([1,2,3,5,6,7,8,9])
np.clip(x,3,8)
array([3, 3, 3, 5, 6, 7, 8, 8])6. np.where 两种用法
- np.where(condition, x, y)
满足条件(condition)，输出x，不满足输出y。image = np.where(image >= 240, 255,image)
-
np.where(condition)
a = np.array([2,4,6,8,10])
a[np.where(a > 5)] # 等价于 a[a>5] array([ 6, 8, 10])
7. np.oneslike(x)
返回一个用1填充的跟x 形状和类型 一致的数组。
8. s_list = np.random.choice(self.schools_majors, batch_size)
#随机选取多少个学校或专业
9. np.expand_dims(im, axis=0) n h w c
10. .format
索引：
python3中 print("{0}/{1}".format(i,100000),end="\r")，{0}表示第0个，{1}表第一个。
for i in range(100000):
print("{0}/{1}".format(i,100000),end="\r")精度：print('{:.3f}'.format(123.45678)) 四舍五入
#类似字典
line = "{pic_id},{sex},{nation},{weight} kg,{blood_type},{native_place}".format(pic_id=pic_id,
sex=sex,
nation=nation,
weight=weight,
blood_type=blood_type,
native_place=native_place) + \
"," + ",".join([school['gaozhong'], major['gaozhong'], xuewei['gaozhong'], time['gaozhong'], graduate['gaozhong']]) + \
"," + ",".join([school['dazhuan'], major['dazhuan'], xuewei['dazhuan'], time['dazhuan'], graduate['dazhuan']]) + \
"," + ",".join([school['benke'], major['benke'], xuewei['benke'], time['benke'], graduate['benke']]) + \
"," + ",".join([school['yanjiusheng'], major['yanjiusheng'], xuewei['yanjiusheng'], time['yanjiusheng'], graduate['yanjiusheng']]) + \
",无" * 5 # 高中、专科、本科、研究生、其它（全是无）11. z.reshape(-1) 变成一行 z.reshape(-1，1)变成一列
源码：x_image = tf.reshape(x, [-1, 1,28, 28])
这里是将一组图像矩阵x重建为新的矩阵，该新矩阵的维数为（a，1，28，28），其中-1表示a由实际情况来定。例如，x是一组图像的矩阵（假设是50张，大小为56×56），则执行
x_image = tf.reshape(x, [-1, 1,28, 28]) nchw
可以计算a=50×56×56/28/28/1=200。即x_image的维数为（200，1，28，28）。
12. continue遇到一种情形先跳过，这次循环
跳过太白的图片
if origin_im.mean() > 250:
continue13.map 映射 map(表达式, 列表等) 不用for循环
>>> map(lambda x: x ** 2, [1, 2, 3, 4, 5]) # 使用 lambda 匿名函数
[1, 4, 9, 16, 25]
>>> map(lambda x, y: x + y, [1, 3, 5, 7, 9], [2, 4, 6, 8, 10])
[3, 7, 11, 15, 19]