assignment 1

assignment1講解參見：

https://blog.csdn.net/u014485485/article/details/79433514?utm_source=blogxgwz5

np. flatnonzero(a) 返回a的展平版本中非零的索引。

a1 = np.random.choice(a=5, size=3, replace=False, p=None)  引數分別從a 中以概率p，隨機選擇3個, p沒有指定的時候相當於是一致的分佈。replacement的意思是抽樣之後還放不放回去，如果是False的話，那麼出來的三個數都不一樣，如果是True的話， 有可能會出現重複的，因為前面抽的放回去了。

subplot(nrows, ncols, plot_number) 作用是把一個繪圖區域（可以理解成畫布）分成多個小區域，用來繪製多個子圖。nrows和ncols表示將畫布分成（nrows*ncols）個小區域，每個小區域可以單獨繪製圖形；plot_number表示將圖繪製在第plot_number個子區域。舉例： createPlot = subplot(222)，表示畫布分成（2*2=4）個小區域，並將圖createPlot繪製在畫布中的第二個子區域，也就是右上角位置。

imshow():https://matplotlib.org/api/pyplot_api.html#matplotlib.pyplot.imshow

astype('uint8'): 把影象資料型別轉換為無符號八位整型，範圍是0-255。如果輸入影象是無符號八位整型的，返回的影象和源影象相同。

plt.axis('off')     不顯示座標尺寸，區別見下圖：

numpy.reshape(a, newshape, order='C')：

a：array_like。要重新形成的陣列。

newshape：int或tuple的整數。新的形狀應該與原始形狀相容。如果是整數，則結果將是該長度的1-D陣列。一個形狀維度可以是-1。在這種情況下，從陣列的長度和其餘維度推斷該值。

order：{'C'，'F'，'A'}可選。使用此索引順序讀取a的元素，並使用此索引順序將元素放置到重新形成的陣列中。'C'意味著使用C樣索引順序讀取/寫入元素，最後一個軸索引變化最快，回到第一個軸索引變化最慢。'F'意味著使用Fortran樣索引順序讀取/寫入元素，第一個索引變化最快，最後一個索引變化最慢。注意，'C'和'F'選項不考慮底層陣列的記憶體佈局，而只是參考索引的順序。'A'意味著在Fortran類索引順序中讀/寫元素，如果a 是Fortran 在記憶體中連續的，否則為C樣順序。

歐式距離（對應L2範數）：最常見的兩點之間或多點之間的距離表示法，又稱之為歐幾里得度量，它定義於歐幾里得空間中。n維空間中兩個點x1(x11,x12,…,x1n)與 x2(x21,x22,…,x2n)間的歐氏距離：

np.bincount()：它大致說bin的數量比x中的最大值大1，每個bin給出了它的索引值在x中出現的次數。下面，我舉個例子讓大家更好的理解一下：x中最大的數為7，因此bin的數量為8，那麼它的索引值為0->7

x = np.array([0, 1, 1, 3, 2, 1, 7])

索引0出現了1次，索引1出現了3次......索引5出現了0次......

np.bincount(x)

因此，輸出結果為：array([1, 3, 1, 1, 0, 0, 0, 1])

np.argmax()：取出a中元素最大值所對應的索引a = np.array([3, 1, 2, 4, 6, 1])，b=np.argmax(a) 此時最大值位6，其對應的位置索引值為4，（索引值預設從0開始）

np.argsort()：將x中的元素從小到大排列，提取其對應的index(索引)，然後輸出到y。

KNN原理:找出距離最近的k個點對應的標籤，然後找出出現次數最多的標籤作為預測標籤。

F範數：設A是mxn的矩陣，其F範數定義為：

numpy.split(ary, indices_or_sections, axis=0)：Split an array into multiple sub-arrays.

>>> x = np.arange(9.0)
>>> np.split(x,3)
[array([ 0.,  1.,  2.]), array([ 3.,  4., 5.]), array([ 6.,  7.,  8.])]