1. np.newaxis--为 numpy.ndarray（多维数组）增加一个轴]
np.newaxis 在使用和功能上等价于 None，其实就是 None 的一个别名
>> type(np.newaxis)
NoneType
>> x = np.arange(3)
>> x
array([0, 1, 2])
>> x.shape
(3,)
>> x[:, np.newaxis]
array([[0],
[1],
[2]])
>> x[:, None]
array([[0],
[1],
[2]])
>> x[:, np.newaxis].shape
(3, 1)
>>> b = np.array([1, 2, 3, 4, 5, 6])
>>> b[np.newaxis]
array([[1, 2, 3, 4, 5, 6]])
2. np.linspace实现间隔采样
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)[source]
a=np.linspace(-1,1,num=5)
print a
# 输出
>>>[-1. -0.5 0. 0.5 1. ]
3. nan inf
numpy.nan_to_num(x):
使用0代替数组x中的nan元素，使用有限的数字代替inf元素
>>>import numpy as np
>>> a = np.array([[np.nan,np.inf],\
... [-np.nan,-np.inf]])
>>> a
array([[ nan, inf],
[ nan, -inf]])
>>> np.nan_to_num(a)
array([[ 0.00000000e+000, 1.79769313e+308],
[ 0.00000000e+000, -1.79769313e+308]])
和此类问题相关的还有一组判断用函数，包括：
- isinf
- isneginf
- isposinf
- isnan
- isfinite 使用方法也很简单，以isnan举例说明：
>>> import numpy as np
>>> np.isnan(np.array([[1, np.nan, np.inf],\
... [np.nan, -np.inf, -0.25]]))
array([[False, True, False],
[ True, False, False]], dtype=bool)
4. axis
axis和list中的选的时候一样啊...不管是几维，都是当做一个一维数组存，只不过每个数组元素都是地址而已，以345的三维为例，第一层（axis=0，即页）一维数组的元素存的是3个地址，每个地址都指向一个4*5的二维数组，然后第二层（axis=1，即行）一维数组的元素存的是4个地址，每个地址都指向一个长度为5的一维数组，第三层（axis=2，即列）一维数组的元素就是5个元素value。所以莫烦这里讲的二维，axis=0，取行，是将3个长度为4的一维数组相加得到1个长度为4的一维数组，然后对每个元素求平均（这里是三行，即除3）结果得到一个长度为4的一维数组，做的操作实际上代表的是，对列求平均，axis=1取列同理，取的是3个一维数组中每一个一维数组中的各个元素，每个一维数组内部相加求平均（四个元素，即除4），结果得到一个长度为3的一维数组，做的操作实际上代表对行求平均。
A = np.arange(2, 14).reshape(3, 4)
print(A)
print(np.mean(A, axis=1)) # 行
print(np.mean(A, axis=0)) # 列
简单的记法完全没问题：axis=0 表示对行（上下）进行操作计算，axis=1表示对列（左右）进行操作计算
https://blog.csdn.net/Cowry5/article/details/80188056
5. reshape(1, -1)
不知道z的shape属性时，将z变成只有一列／一行，numpy自动计算对应的行和列数
>>> z = np.array([[1, 2, 3, 4],[5, 6, 7, 8],[9, 10, 11, 12],[13, 14, 15, 16]])
>>> print(z)
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]
[13 14 15 16]]
>>> print(z.shape)
(4, 4)
>>> print(z.reshape(-1))
[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16]
>>> print(z.reshape(-1,1))
