1.random
我们在进行机器学习基础建模的时候，一个必不可少的问题就是参数的初始化问题，初始化是通过random包实现的，这个包已经被集成到numpy中了，我们来学习其中几个比较常用的初始化方法。
- uniform
unifrom的基础用法为：np.random.uniform(low,high,size)。其中low为下界，high为上界，size为初始化矩阵的大小一般采用（）形式表示，如（1，2）就是表示初始化1行2列的矩阵。
np.random.uniform(1,2,(3,4))
array([[1.01799472, 1.25821013, 1.10805296, 1.59482889],
[1.43729843, 1.14598927, 1.23277124, 1.02388416],
[1.02657724, 1.45677034, 1.10795221, 1.19952202]])
- random
random是最基本的随机数产生方法，就是生成一个0-1随机数，基本用法为random(size)，size决定了产生随机数的形状或个数。
np.random.random(2)
array([0.40726817, 0.69243006])
- randint
randint的作用跟函数名暗示的相同，即产生一个随机的整数，基本用法为randint(low,high,size)，这个函数要注意两点，一是产生的随机数范围包括high这个值，二是size省略时取1，这个也是这个函数最常用的场景。
np.random.randint(1,5,(3,5))
array([[3, 4, 3, 2, 2],
[3, 2, 4, 1, 3],
[1, 1, 2, 2, 3]])
- randrange
这个函数不太常用吧，只做了解即可，它是在一定范围内随机取一个数，基本用法为randarrange(start,stop,step)，这个start,step都可以省略默认为0，1。这个包和其他的包略微有点不一样，没有打包在np.random里，如果要用需要单独import random这个包。
import random
random.randrange(1, 100, 2)
- shuffle
这个函数使用频率也不怎么高，用于将一个列表中的元素顺序打乱，基本用法为shuffle(x)。注意一点，np.random.shuffle(list)的返回值为none，它的作用就是对list重排，要看输出结果需要打印list。
list = [20, 16, 10, 5]
np.random.shuffle(list)
print(list)
-- 输出
[5, 10, 20, 16]
- sample
sample函数是从集合中选取样本，这在机器学习算法训练的时候样本不太多时进行抽样使用，基本用法为sample(seq, n) ，他不会对原序列进行更改。严格来说这个函数不在numpy.random这个包里，要调用的话首先需要引入random这个包。
import random
list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
slice = random.sample(list, 5)
print(slice)
-- 结果
[6, 3, 1, 7, 4]
2.argmax和argmin
两个函数通常用于机器学习中以概率形式输出列表中寻找最大/小值对应的下标，以确定最后的预测值。本身其实还是比较好理解的，但是对应到含有axis方向的时候，就需要注意了。函数的基本用法为argmax(array,axis=0)，这个axis=0可以不写，默认为axis=0，即按列形式搜索最大值，保存的列表大小为列数，当axis=1时，即按行搜索最大值，保存的列表大小为行数。还是以案例来说明。
a = np.array([[1, 5, 5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]])
print(np.argmax(a, axis=0))
print(np.argmax(a, axis=1))
--输出
[1 2 2 1]
[1 0 2]
argmin和argmax的用法相同，只不过返回最小值对应的索引，索引是从0开始的哦。
3.log
log函数就是取对数操作，python自己不带这种计算方法，可以引进numpy包进行操作，关于log用法也很多。如果什么也不加np.log()就是以e为底，还可以以10为底，以2为底，分别是np.log10()，np.log2()，但如果相以任意数为底，np就比较麻烦了，需要公式转换，就是np.log(3)/np.log(2)代表以2为底，以3为真值的对数，如果觉得麻烦，可以直接导入math包，math.log(m,n)，表示以n为底，以m为真值的对数。
np.log(8)/np.log(2)
--输出
3.0
4.inner和outer
inner和outer也是为了矩阵和数组操作而产生的函数，我们先从最基本的用法讲起。outer只接受一维数组，对于非一维数组，python会总动flatten（扩展，展开）为一维的，基本用法为outer(a,b)，比如a是m维的，b是n维的，那么他们相乘是m乘n维的，计算方法是 result[i,j] = a[i] * a[j] ，看案例。看来是第一个输入决定行数，第二个输入决定猎术
a=[1,2,3]
b=[4,5,6]
np.outer(a,b)
--输出
array([[ 4, 5, 6],
[ 8, 10, 12],
[12, 15, 18]])
同理，inner()也只接受一维数组作为输入，对应位置相乘后加和，这个相当于先*，或者multiply后，再取sum值，具体怎么用，笔者暂未接触，比较难的操作也不必过于深究，如果实在想知道怎么操作，需要弄懂array的广播机制，所有问题都可以解决。
a=[1,2,3]
b=[4,5,6]
np.inner(a,b)
--输出
32
5.zeros、ones、empty
这三个函数的出场率比较高，尤其是zeros在机器学习的参数初始化中非常常见。其实使用起来比较简单，以zeros为例，np.zeros((2,3))，这个地方只要注意如果是生成多维的0变量，要用括号括起来。np.ones()和np.zeros()用法一模一样的，都是提前生成一个数组或者说矩阵然后循环往里代入数据。我们着重说一下，np.empty()，这个行数的介绍是生成一个多维的空数组，但实际上市生成的随机数，需要指定数据类型才能生成自己想要的东西，怎么说呢，np.empty的用法为，np.empty((2,2),dtype=list)，这个才是空数组。我们来看案例。
np.zeros((2,3),dtype=int)
np.ones((2,3),dtype=int)
np.empty((2,3),dtype=float)
np.empty((2,3),dtype=list)
--输出
array([[0, 0, 0],
[0, 0, 0]])
array([[1, 1, 1],
[1, 1, 1]])
array([[1., 1., 1.],
[0., 0., 0.]])
array([[None, None, None],
[None, None, None]], dtype=object)
这里还有个小坑，就是如果想用empty生成的空列表时候，append方法报错，折中方法是先赋予一个空列表值，然后采用append方法，最后再把这个空列表append后的值传给empty生成的列表。这个empty还有一个坑，如果用list作为数据类型的话，他是不显示列数的，这在操作中比较麻烦，大家需要还是用dtype = int初始化吧。