共计 2796 个字符，预计需要花费 7 分钟才能阅读完成。
1.np.set_printoptions()用法总结
概述
np.set_printoptions()用于管制 Python 中小数的显示精度
用法
np.set_printoptions(precision=None, threshold=None, linewidth=None, suppress=None, formatter=None)
1.precision：管制输入后果的精度(即小数点后的位数)，默认值为 8
2.threshold：当数组元素总数过大时，设置显示的数字位数，其余用省略号代替(当数组元素总数大于设置值，管制输入值得个数为 6 个，当数组元素小于或者等于设置值得时候，全副显示)，当设置值为 sys.maxsize(须要导入 sys 库)，则会输入所有元素
3.linewidth：每行字符的数目，其余的数值会换到下一行
4.suppress：小数是否须要以迷信计数法的模式输入
5.formatter：自定义输入规定
2.fig = plt.figure(figsize=(a, b), dpi=dpi)
matplotlib 中设置图形大小的语句如下：
fig = plt.figure(figsize=(a, b), dpi=dpi)
其中：
figsize 设置图形的大小，a 为图形的宽，b 为图形的高，单位为英寸
3.np.exp（）
4.np.c_ 的用法
np.c_ 用于连贯两个矩阵
np.c 中的 c 是 column(列) 的缩写，就是按列叠加两个矩阵，就是把两个矩阵左右组合，要求行数相等。
5.plt.subplots()
在 matplotlib 中，整个图像为一个 Figure 对象。在 Figure 对象中能够蕴含一个或者多个 Axes 对象。每个 Axes(ax)对象都是一个领有本人坐标零碎的绘图区域。所属关系如下：
参数
nrows，ncols：
子图的行列数。
sharex, sharey：
设置为 True 或者‘all’时，所有子图共享 x 轴或者 y 轴，
设置为 False or‘none’时，所有子图的 x，y 轴均为独立，
设置为‘row’时，每一行的子图会共享 x 或者 y 轴，
设置为‘col’时，每一列的子图会共享 x 或者 y 轴。
squeeze：
默认为 True，是设置返回的子图对象的数组格局。
当为 False 时，不管返回的子图是只有一个还是只有一行，都会用二维数组格局返回他的对象。
当为 True 时，如果设置的子图是（nrows=ncols=1），即子图只有一个，则返回的子图对象是一个标量的模式，如果子图有（N×1）或者（1×N）个，则返回的子图对象是一个一维数组的格局，如果是（N×M）则是返回二位格局。
subplot_kw:
字典格局，传递给 add_subplot()，用于创立子图。
gridspec_kw：
字典格局，传递给 GridSpec 的构造函数，用于创立子图所摆放的网格。
class matplotlib.gridspec.GridSpec(nrows, ncols, figure=None, left=None, bottom=None, right=None, top=None, wspace=None, hspace=None, width_ratios=None, height_ratios=None)
如，设置 gridspec_kw={‘height_ratios’: [3, 1]} 则子图在列上的散布比例是 3 比 1。
**fig_kw :
所有其余关键字参数都传递给 figure（）调用。
如，设置 figsize=(21, 12)，则设置了图像大小。
返回值
fig：matplotlib.figure.Figure 对象
ax：子图对象（matplotlib.axes.Axes）或者是他的数组
6.reshape()函数
·reshape()函数的性能是扭转数组或矩阵的形态
·a.reshape(m,n) 示意将原有数组 a 转化为一个 m 行 n 列的新数组，a 本身不变。m 与 n 的乘积等于数组中的元素总数
·reshape(m,n) 中参数 m 或 n 其中一个可写为 ”-1″，”-1″ 的作用在于计算机依据原数组中的元素总数主动计算行或列的值。
例：那么问题来了 reshape(-1,1)是什么意思呢？难道有 - 1 行？
这里 - 1 是指未设定行数，程序随机调配，所以这里 - 1 示意任一正整数
所以 reshape(-1,1)示意（任意行，1 列）
7.Matplotlib 作图
1. 先定义图片的规格，这里定义图片共一行，每行一张图片，以及图片的尺寸
fig,ax = plt.subplots(1,1,figsize=(5,3))
2. 这里给图表传入数据（z,sigmoid(z)）ax 为一个横纵坐标对象
plot_data(X, y, ax)
3. 设置两坐标轴的最大值和最小值，坐标范畴
ax.axis([0, 4, 0, 3.5])
4. 设置 x 轴的题目为 x_1
ax.set_ylabel(‘$x_1$’)
5. 设置 y 轴的题目为 x_2
ax.set_xlabel(‘$x_0$’)
6. 绘制出该图表
plt.show()
8.Matplotlib 中的 fill_between()函数总结
最近在解决数据的时候，须要从数据汇合中选出数据来作为训练集，不同的筛选规定失去的数据块的散布一样，所以就想查看一下选取了那些数据块，比方将选中的数据换一种色彩来示意，然而数据如果比拟多的话，就不太能看的进去了，所以如果将选中的数据块以柱状的模式框出来就好了，这个时候我看到了 fill_between()函数，然而网上对于这个函数的博客都写的不太明确，所以我本人钻研了一下，将其总结如下：
- 生成测试数据
- 曲线笼罩
能够看到，我用了这个函数的几个参数：
x：第一个参数示意笼罩的区域，我间接复制为 x，示意整个 x 都笼罩
0：示意笼罩的上限
y：示意笼罩的下限是 y 这个曲线
facecolor：笼罩区域的色彩
alpha：笼罩区域的透明度[0,1], 其值越大，示意越不通明 - 局部区域笼罩
我将 x 改为 x[2:15],y 改成了 0.2，0.6，这样它就在 x 轴的 2——14，y 轴的 0.2——0.6 画出了这样一个矩形 - 两曲线之间的局部填充
把上限换成 y1, 下限换成 y2, 在整个 x 轴上进行填充，这样就能够实现将两条曲线之间的局部进行填充。 我想实现的数据高亮性能
只须要循环填充你想要填充的局部，设置填充的上上限，就能够实现这个性能了！9.np.random.seed()函数
np.random.seed()函数用于生成指定随机数。
seed()被设置了之后，np,random.random()能够按程序产生一组固定的数组，如果应用雷同的 seed()值，则每次生成的随机数都雷同，如果不设置这个值，那么每次生成的随机数不同。然而，只在调用的时候 seed()一下并不能使生成的随机数雷同，须要每次调用都 seed()一下，示意种子雷同，从而生成的随机数雷同。
由此可知，只在调用的时候 seed()一下并不能使生成的随机数雷同，故有：
