1. KeyValue

• dict.clear() 删除字典内所有元素
• dict.copy()返回一个字典的浅复制
• [dict.fromkeys(seq, val])创建一个新字典，以序列 seq 中元素做字典的键，val 为字典所有键对应的初始值
• dict.get(key, default=None) 返回指定键的值，如果值不在字典中返回default值
• dict.has_key(key)如果键在字典dict里返回true，否则返回false
• dict.items()以列表返回可遍历的(键, 值) 元组数组
• dict.keys() 以列表返回一个字典所有的键 注意这里面的括号
• dict.setdefault(key, default=None)和get()类似, 但如果键不存在于字典中，将会添加键并将值设为default
• dict.update(dict2) 把字典dict2的键/值对更新到dict里
• dict.values()以列表返回字典中的所有值
• [ pop(key,default]) 删除字典给定键 key 所对应的值，返回值为被删除的值。key值必须给出。 否则，返回default值。
• popitem() 返回并删除字典中的最后一对键和值。

注意，使用append 添加一行数据时候，要使用按行或者按列追加，否则会出现错误，

data={}
for i in range(0,len(test_x)):if test_y[i] in data:data[test_y[i]]=np.row_stack((data[test_y[i]],test_x[i]))else:print("addd:",test_y[i])data[test_y[i]]=test_x[i]

2. 固定长度数组

class HandBase():def __init__(self,length):self.A=[]self.B=[]self.C=[]self.D=[]self.E=[]self.length=lengthdef add(self,data):'''data=[a,b,c,d,e], 如果不是该格式，则舍弃'''if len(data)!=5:return#todo arduino 上面sleep（50ms),  选择什么参数比较合适if len(self.A)>self.length:self.A.pop(0)self.B.pop(0)self.C.pop(0)self.D.pop(0)self.E.pop(0)self.A.append(data[0])self.B.append(data[1])self.C.append(data[2])self.D.append(data[3])self.E.append(data[4])#todo 后续可以再这里面添加数据拟合算法def getMean(self):return np.mean(self.A),np.mean(self.B),np.mean(self.C),np.mean(self.D),np.mean(self.E)def getLength(self):return len(self.A)def saveData(self,filename):strflex=",".join([str(i) for i in self.A])+"\n"+",".join([str(i) for i in self.B])+"\n"+",".join([str(i) for i in self.C])+"\n"+",".join([str(i) for i in self.D])+"\n"+",".join([str(i) for i in self.E])#todo 存储到文件中，还是数据库中？ 存储到文件中已经完成，是否需要存储到数据库中with open(filename, 'w') as f:f.write(strflex)print("saveData Ok",filename)def clear(self):self.A.clear()self.B.clear()self.C.clear()self.D.clear()self.E.clear()

3. 行列操作

3.1. 逆序遍历

a = [1,3,6,8,9]
print("通过下标逆序遍历1：")
for i in a[::-1]:print(i, end=" ")
print("\n通过下标逆序遍历2：")
for i in range(len(a)-1,-1,-1):print(a[i], end=" ")
print("\n通过reversed逆序遍历：")
for i in reversed(a):print(i, end=" ")

3.2. 行列拼接

#方法一
#	该方法只能将两个矩阵合并
#	注意要合并的两矩阵的行列关系
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.array([[0,0,0]])
c = np.r_[a,b]     # 按行拼接，添加在行尾部
d = np.c_[a,b.T]   # 按列拼接，添加在列尾部#方法二：
#	 将一个集合插入到一个矩阵中，对于b可以是列表或元组，它仅仅提供要插入的值，但个数要对
#	 np.insert的第二个参数是插入的位置从0开始，axis用来控制是插入行还是列！
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.array([[0,0,0]])
c = np.insert(a, 0, values=b, axis=0)   #axis=0 代表 按行插入，使其成为一行
d = np.insert(a, 0, values=b, axis=1)   #axis=1 代表 按列插入，使其成为一列#方法三
import numpy as np
a = np.array([[1,2,3],[4,5,6],[7,8,9]])
b = np.array([[0,0,0]])
c = np.row_stack((a,b))      # 按行拼接，添加在行尾部， 注意俩个元素用括号括起来了
d = np.column_stack((a,b.T)) # 按列拼接，添加在列尾部

.1. concatenate

0轴的数组对象进行纵向的拼接（纵向的拼接沿着axis= 1方向）；注：一般axis = 0，就是对该轴向的数组进行操作，操作方向是另外一个轴，即axis=1。

Join a sequence of arrays along an existing axis.
Parameters
a1, a2, ... : sequence of array_likeThe arrays must have the same shape, except in the dimensioncorresponding to `axis` (the first, by default).
axis : int, optionalThe axis along which the arrays will be joined.  Default is 0.Returns
res : ndarrayThe concatenated array.
See Also--------ma.concatenate : Concatenate function that preserves input masks.array_split : Split an array into multiple sub-arrays of equal ornear-equal size.split : Split array into a list of multiple sub-arrays of equal size.hsplit : Split array into multiple sub-arrays horizontally (column wise)vsplit : Split array into multiple sub-arrays vertically (row wise)dsplit : Split array into multiple sub-arrays along the 3rd axis (depth).stack : Stack a sequence of arrays along a new axis.hstack : Stack arrays in sequence horizontally (column wise)vstack : Stack arrays in sequence vertically (row wise)dstack : Stack arrays in sequence depth wise (along third dimension)

3.3. 数组转置

np.transpose(arr)

3.4. 维度

array.shape返回数组的行数和列数; array.size返回数组的元素个数；array.dtype返回数组里元素的数据类型。

• x.shape[:3]表示返回(3, 2, 3)，分别表示三维数组中二维数组的个数、单个二维数组的行数、单个二维数组的列数。
• #转化为一维numpy.flatten()返回一份拷贝，对拷贝所做的修改不会影响（reflects）原始矩阵；
• numpy.ravel()返回的是视图（view，也颇有几分C/C++引用reference的意味），会影响（reflects）原始矩阵。

• reshape

# 转化一行
z.reshape(1,-1)
# 转化一列
z.reshape(-1,1)
# 转化x行y列
z.reshape(x,y)  

• numpy 初始化

# numpy 创建方式一
list = [1 , 2 , 3 , 4] 
array_1 = np.array(list_1)
# numpy 创建方式二
array_4 = np.arange(1 ,10)

3.5. 切片

# 首先看数组维度
c[:2,1:] # 对于二维数组，“:2”表示行：即从第0行开始到第2行（不包括第2行）结束的行的元素，“1:”表示从第1列到后面几列的元素。

4. 打乱数据

np.random.shuffle(x)：在原数组上进行，改变自身序列，无返回值。

np.random.permutation(x)：不在原数组上进行，返回新的数组，不改变自身数组。

• 都是按行进行打乱，如果只有一行则按列进行打乱；

5. 数据维度

einops主要是rearrange, reduce, repeat这3个方法，下面介绍如何通过这3个方法如何来起到 stacking, reshape, transposition, squeeze/unsqueeze, repeat, tile, concatenate, view 以及各种reduction操作的效果)

#pip install einops
y = x.transpose(0, 2, 3, 1)
y = rearrange(x, 'b c h w -> b h w c')rearrange(ims[0], 'h w c -> w h c')# length of newly composed axis is a product of components
# [6, 96, 96, 3] -> [96, (6 * 96), 3]
rearrange(ims, 'b h w c -> h (b w) c').shape# let's flatten 4d array into 1d, resulting array has as many elements as the original
rearrange(ims, 'b h w c -> (b h w c)').shape

6. numpy 高维数据计算

# a.shape  (2,3,2,3)
a = np.array([[[[1, 1, 1], [1, 1, 1]],[[2, 2, 2], [2, 2, 2]], [[3, 3, 3], [3, 3, 3]]]，[[[4, 4, 4], [4, 4, 4]],[[6, 6, 6], [6, 6, 6]], [[8, 8, 8], [8, 8, 8]]]])