0. 多维数组的显示问题
>> X = np.reshape(np.arange(24), (2, 3, 4)) # 也即 2 行 3 列的 4 个平面(plane)>> Xarray([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]])
再来分别看每一个平面的构成:
>> X[:, :, 0]array([[ 0, 4, 8], [12, 16, 20]])>> X[:, :, 1]array([[ 1, 5, 9], [13, 17, 21]])>> X[:, :, 2]array([[ 2, 6, 10], [14, 18, 22]])>> X[:, :, 3]array([[ 3, 7, 11], [15, 19, 23]])
也即在对 np.arange(24)(0, 1, 2, 3, ..., 23)
进行重新的排列时,在多维数组的多个轴的方向上,先分配最后一个轴(对于二维数组,即先分配行的方向,对于三维数组即先分配平面的方向)
1. None 索引 ⇒ 升维
>> A = np.random.rand(2, 3)>> A.shape(2L, 3L)>> A[None, :].shape(1L, 2L, 3L)>> A[None, :, :].shape(1L, 2L, 3L)
2. np.apply_along_axis
这是一个强大的函数,在指定轴上,按指定的函数进行操作;
>>> b = np.array([[1,2,3], [4,5,6], [7,8,9]])>>> np.apply_along_axis(np.diff,0,b) # 在列方向进行差分的动作array([[3, 3, 3], [3, 3, 3]])>>> np.apply_along_axis(np.diff,1,b)array([[1, 1], [1, 1], [1, 1]])>>> b = np.array([[8,1,7], [4,3,9], [5,2,6]])>>> np.apply_along_axis(sorted, 1, b)array([[1, 7, 8], [3, 4, 9], [2, 5, 6]])
这个函数真正的意义在于什么,除了更精细化,customized的处理行和列外,它对一些不具备axis参数的函数,使其具备逐行或者逐列处理的能力 np.bincount(),而不必逐行逐列地进行遍历。
P = np.asarray([clf.predict(X) for clf in self.classifiers_])maj_vote = np.apply_along_axis(lambda col: np.argmax(np.bincount(col, weights=self.weights)), axis=0, arr=P)