axis

转载请注明出处： http://www.cnblogs.com/willnote/p/6758953.html 官方API定义 tf.argmax(input, axis=None, name=None, dimension=None) Returns the index with the largest value across axes of a tensor. Args: input : A Tensor. Must be one of the following types: float32, float64, int64, int32, uint8, uint16, int16, int8, complex64, complex128, qint8, quint8, qint32, half. axis : A Tensor. Must be one of the following types: int32, int64. int32, 0 <= axis < rank(input). Describes which axis of the input Tensor to reduce across. For vectors, use axis = 0. name : A name for the operation (optional). Returns: A

#python中的pandas库主要有DataFrame和Series类(面向对象的的语言更愿意叫类) DataFrame也就是 #数据框(主要是借鉴R里面的data.frame)，Series也就是序列 ，pandas底层是c写的 性能很棒，有大神 #做过测试 处理亿级别的数据没问题，起性能可以跟同等配置的sas媲美 #DataFrame索引 df.loc是标签选取操作，df.iloc是位置切片操作 print(df[['row_names','Rape']]) df['行标签'] df.loc[行标签,列标签] print(df.loc[0:2,['Rape','Murder']]) df.iloc[行位置,列位置] df.iloc[1,1]#选取第二行，第二列的值，返回的为单个值 df.iloc[0,2],:]#选取第一行及第三行的数据 df.iloc[0:2,:]#选取第一行到第三行（不包含）的数据 df.iloc[:,1]#选取所有记录的第一列的值，返回的为一个Series df.iloc[1,:]#选取第一行数据，返回的为一个Series print(df.ix[1,1]) # 更广义的切片方式是使用.ix，它自动根据你给到的索引类型判断是使用位置还是标签进行切片 print(df.ix[0:2]) #DataFrame根据条件选取子集 类似于sas里面if、where

语法：numpy.cumsum(a, axis=None, dtype=None, out=None) 按照所给定的轴参数（axis）返回元素的梯形累计和，axis=0，按照列累加。axis=1，按照行累加。axis不给定具体值，就把numpy数组当成一个一维数组 举个简单例子（二维） import numpy as np a = np . arange ( 0 , 12 ) . reshape ( 3 , 4 ) print ( a ) # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] b = np . cumsum ( a ) print ( b ) #[ 0 1 3 6 10 15 21 28 36 45 55 66] 不输入axis参数时当作一维数组累加： 0=0 1=0+1 3=0+1+2 6=0+1+2+3 以此类推 axis=0 b = np . cumsum ( a , axis = 0 ) print ( b ) #[[ 0 1 2 3] #[ 4 6 8 10] #[12 15 18 21]] 第一行：0=0，1=1，2=2，3=3 第二行：4=0+4，6=1+5，8=2+6，10=3+7 以此类推 axis=1 b = np . cumsum ( a , axis = 1 ) print ( b ) #[[ 0 1 3 6]