接着看这本书。。看到第三章的时候，脑阔又疼了。用的时候再说吧，而且R软件功能很强大。蹦过去了。
接着到了第四章。我一想说第四章讲的线性代数。。我特么高等代数都学过还看这个干嘛啊。
又到了第五章，将统计，我说真巧，我就是统计专业的。
又到了第六章，一看，哇概率论，他咋知道我的专业是概率论与数理统计。看了一会，算了，还是从第四章开始看吧。要不一会书都直接翻过去了。
不说加法。比较容易理解。除了列表和元组的加法是列表添加元素外，其他的加法都是数学加法。
乘法
暂时在我以前写算法过程中，经常用到的乘法有这几种命令。
import numpy as np
a=...
b=...
#这种方式是对应元素相乘完再相加
np.dot(a,b)
#这种方式是对应元素相乘,如果再相加相当于dot函数
np.multiply(a,b)
np.dot(a,b)=sum(np.multiply())
#这种方式是直接乘
a*b这三种方法。对于不同的数据结构有不同的使用特点。
list 格式
只能用dot函数与multiply函数
import numpy as np
a=[1,2,3]
b=[4,5,6]
np.dot(a,b)
np.multiply(a,b)
sum(np.multiply(a,b)) #发现这个值与dot值相同
如果直接使用a*b就会报错
元组
其实在我的印象里，元组基本上所有的性质和列表差不多。除了元组不能更改。就是说在列表中，你可以更改已经赋值过的值，但是元组不行。
扫描二维码关注公众号，回复：
4384235 查看本文章
数组
在数组中，可以用直接用乘法“*”
import numpy as np
a=np.array([1,2,3])
b=np.array([4,5,6])
#以下这两个值是一样的
a*b
np.multiply(a,b)
#这个就是正常的
np.dot(a,b)矩阵
在矩阵中，必须要考虑维数的影响，比如a,b都是行向量，有的乘法就不能直接算
ipmort numpy as np
a=np.matrix([1,2,3])
b=np.matrix([4,5,6])
np.dot(a,b) #出错
np.dot(a,b.T) #正确
np.multiply(a,b) #常规正确
np.multiply(a,b.T) #程序不报错，但是结果迥异
np.multiply(a.T,b) #程序不报错，结果为上一行命令的转置
a*b #结果报错
a.T*b #出现3×3矩阵
a*b.T #出现3×3矩阵也就是说矩阵的乘法最为复杂。我在写算法的时候总是要想半天我要得的矩阵最终是几乘几的，然后再一点一点算，如果还是不确定的话，就拿笔算出来一两个，一对就能确定无疑了。
字典
如果有一天我想要不作处理直接用字典做乘法，我的编程生涯可能就该结束了。
混合使用
至于混合着使用，也可以
import numpy as np
a=np.matrix([1,2,3])
b=np.array([4,5,6])
np.dot(a,b)
np.multiply(a,b)但是在写一些算法的过程中，因为很多内置函数返回的值类型都不一样，有的返回数组，有的返回矩阵，有的返回元组等等。我一般都是加上一个类型转换函数，将所有的类型都统一。要不然类型混乱的时候，对于写算法得出结果来实在是蓝瘦。所以我建议将数据都转换成相同的类型。
大概第四章就结束了。原理部分没必要看。
2018-8-20 13:07