1. numpy.mgrid
解析：
>>> np.mgrid[0:5, 0:4]
array([[[0, 0, 0, 0],
[1, 1, 1, 1],
[2, 2, 2, 2],
[3, 3, 3, 3],
[4, 4, 4, 4]],
[[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3],
[0, 1, 2, 3]]])
2. np.meshgrid
>>> nx, ny = (3, 2)
>>> x = np.linspace(0, 1, nx)
>>> y = np.linspace(0, 1, ny)
>>> xv, yv = meshgrid(x, y)
>>> xv
array([[ 0. , 0.5, 1. ],
[ 0. , 0.5, 1. ]])
>>> yv
array([[ 0., 0., 0.],
[ 1., 1., 1.]])
>>> xv, yv = meshgrid(x, y, sparse=True) # make sparse output arrays
>>> xv
array([[ 0. , 0.5, 1. ]])
>>> yv
array([[ 0.],
[ 1.]])
3. Python中的下划线
（1）单下划线结尾_：只是为了避免与Python关键字的命名冲突。
（2）_单下划线开头：弱“内部使用”标识，比如"from M import *"，将不导入所有以该下划线开头的对象，包括包、模块、成员等。
（3）__双下划线开头：模块内的成员，表示私有成员，外部无法直接调用。
（4）__双下划线开头和双下划线结尾__：指那些包含在用户无法控制的命名空间中的“魔术”对象或属性，比如类成员的__name__ 、__doc__、__init__、__import__、__file__等。
说明：Python中的包对应于文件夹，而模块对应于文件。
4. np.concatenate
解析：numpy.concatenate((a1, a2, ...), axis=0)
>>> a = np.array([[1, 2], [3, 4]])
>>> b = np.array([[5, 6]])
>>> np.concatenate((a, b), axis=0)
array([[1, 2],
[3, 4],
[5, 6]])
>>> np.concatenate((a, b.T), axis=1)
array([[1, 2, 5],
[3, 4, 6]])
5. np.hstack
解析：numpy.hstack(tup): Stack arrays in sequence horizontally (column wise). Equivalent to np.concatenate(tup, axis=1).
>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.hstack((a,b))
array([1, 2, 3, 2, 3, 4])
>>> a = np.array([[1],[2],[3]])
>>> b = np.array([[2],[3],[4]])
>>> np.hstack((a,b))
array([[1, 2],
[2, 3],
[3, 4]])
6. np.vstack
解析：numpy.vstack(tup): Stack arrays in sequence vertically (row wise). Equivalent to np.concatenate(tup, axis=0) if tup contains arrays that are at least 2-dimensional.
>>> a = np.array([1, 2, 3])
>>> b = np.array([2, 3, 4])
>>> np.vstack((a,b))
array([[1, 2, 3],
[2, 3, 4]])
>>>
>>> a = np.array([[1], [2], [3]])
>>> b = np.array([[2], [3], [4]])
>>> np.vstack((a,b))
array([[1],
[2],
[3],
[2],
[3],
[4]])
7. np.transpose
解析：numpy.transpose(a, axes=None): Permute the dimensions of an array.
>>> x = np.arange(4).reshape((2,2))
>>> x
array([[0, 1],
[2, 3]])
>>>
>>> np.transpose(x)
array([[0, 2],
[1, 3]])
>>>
>>> x = np.ones((1, 2, 3))
>>> np.transpose(x, (1, 0, 2)).shape
(2, 1, 3)
8. numpy.flipud
解析：numpy.flipud(m): Flip array in the up/down direction.
>>> A = np.diag([1.0, 2, 3])
>>> A
array([[ 1., 0., 0.],
[ 0., 2., 0.],
[ 0., 0., 3.]])
>>> np.flipud(A)
array([[ 0., 0., 3.],
[ 0., 2., 0.],
[ 1., 0., 0.]])
9. numpy.fliplr
解析：numpy.fliplr(m): Flip array in the left/right direction.
>>> A = np.diag([1.,2.,3.])
>>> A
array([[ 1., 0., 0.],
[ 0., 2., 0.],
[ 0., 0., 3.]])
>>> np.fliplr(A)
array([[ 0., 0., 1.],
[ 0., 2., 0.],
[ 3., 0., 0.]])
10. numpy.rot90
解析：numpy.rot90(m, k=1): Rotate an array by 90 degrees in the counter-clockwise direction.
>>> m = np.array([[1,2],[3,4]], int)
>>> m
array([[1, 2],
[3, 4]])
>>> np.rot90(m)
array([[2, 4],
[1, 3]])
>>> np.rot90(m, 2)
array([[4, 3],
[2, 1]])
11. numpy.random.randn
解析：numpy.random.randn(d0, d1, ..., dn): Return a sample (or samples) from the "standard normal" distribution.
>>> np.random.randn()
2.1923875335537315 #random
>>>
>>> 2.5 * np.random.randn(2, 4) + 3
array([[-4.49401501, 4.00950034, -1.81814867, 7.29718677], #random
[ 0.39924804, 4.68456316, 4.99394529, 4.84057254]]) #random
12. numpy.ravel
解析：numpy.ravel(a, order='C'): Return a contiguous flattened array.
>>> x = np.array([[1, 2, 3], [4, 5, 6]])
>>> print(np.ravel(x))
[1 2 3 4 5 6]
13. Python自省（反射）
解析：自省（反射）就是列出对象的所有属性和方法。
14. 实例方法，类方法，静态方法，类变量和实例变量
解析：
（1）实例方法：类的实例能够使用的方法。
（2）类方法：将类本身作为对象进行操作的方法。类方法使用@class method装饰器定义，其第一个参数是类，约定写为cls。类和实例都可以调用类方法。
（3）静态方法：静态方法位于类定义的命名空间中。使用装饰器@static method定义静态方法。类和实例都可以调用静态方法。
（4）类变量和实例变量：类变量定义在类的定义之后，实例变量则是以self.开头，实例也能够访问类变量。
说明：实例方法的第一个参数默认为self，代指实例。self不是一个关键字，而是约定的写法。__init__()是生成实例时默认调用的实例方法。
15. Python应用场景
解析：学习Python也有一段时间了，越发感觉Python功能的强大。用Python做过的事情，如下所示：
（1）数据分析：NumPy，Pandas，Matplotlib，SciPy，Seaborn，PySpark等。
（2）数据挖掘和机器学习：Scikit-Learn，PyMC3，Mayavi，NetworkX等。
（3）自然语言处理：NLTK，Jieba，Gensim（Word2Vec，Doc2Vec）等。
（4）数字图像处理和计算机视觉：cv2，PIL等。
（5）计算机图像学：PyOpenGL等。
（6）深度学习：Caffe，TensorFlow，Theano等。
（7）C++与Python互操作：boost.python，Python/C API等。
（8）异构计算：PyCUDA，PyOpenCL，cgen [3]等。
（9）并行计算：mpi4py，threading，multiprocessing，cython（支持OpenMP）等。
（10）图像界面：PyQt，TkInter等。
（11）网络爬虫：Scrapy，Requests，Beautiful Soup，urllib2，creepy，selenium，etl，database（redis，
mysql，mongodb）等。
（12）网站开发：django，Django REST framework，Flask，web.py等。
（13）微信开发（公众号，微信小程序）：wechatpy等。
（14）网络安全：ctypes，PyEMU，IDAPython，sqlmap，DNSRecon，patator，XSSer，HULK，SSLyze等。
说明：Python可以做人工智能和高性能计算，也可以做服务器、移动端和桌面应用开发。总之，用Python去做任何你想做的事情吧，只有想不到，没有做不到。
16. 包管理器conda
解析：
（1）conda list：查看Anaconda包含的库。
（2）conda install <pkg name>：该命令用于安装应用包，比如conda install numpy。
（3）conda update <pkg name>：该命令用于升级应用包，比如conda update numpy。
17. 使用交互式标注
解析：
from PIL import Image
from pylab import *
im = array(Image.open('a.jpg'))
imshow(im)
print 'Please click 1 point'
x = ginput(1)
print 'you clicked: ',x
show()
18. YAML文件格式
解析：YAML文件格式是YAML（YAML Aint Markup Language）编写的文件格式，YAML是一种直观的能够被电脑识别的数据序列化格式，并且容易被人类阅读，容易和脚本语言交互，可以被支持YAML库的不同的编程语言程序导入。比如C/C++，Python，C#等。
19. Python中的enumerate
解析：enumerate()遍历序列中的元素以及它们的下标。
（1）for i, j in enumerate(('a', 'b', 'c'))
（2）for i, j in enumerate([1, 2, 3])
（3）for i, j in enumerate({'a':1, 'b':2})
（4）for i, j in enumerate('abc')
20. pip install -U / ----upgrade
解析：如果没有安装该软件，那么安装该软件；如果已经安装该软件，那么升级该软件为最新版本。
21. scipy.signal.convolve
解析：scipy.signal.convolve：Convolve two N-dimensional arrays.
>>> from scipy import signal
>>> sig = np.repeat([0., 1., 0.], 100)
>>> win = signal.hann(50)
>>> filtered = signal.convolve(sig, win, mode='same') / sum(win)
>>>
>>> import matplotlib.pyplot as plt
>>> fig, (ax_orig, ax_win, ax_filt) = plt.subplots(3, 1, sharex=True)
>>> ax_orig.plot(sig)
>>> ax_orig.set_title('Original pulse')
>>> ax_orig.margins(0, 0.1)
>>> ax_win.plot(win)
>>> ax_win.set_title('Filter impulse response')
>>> ax_win.margins(0, 0.1)
>>> ax_filt.plot(filtered)
>>> ax_filt.set_title('Filtered signal')
>>> ax_filt.margins(0, 0.1)
>>> fig.tight_layout()
>>> fig.show()
22. numpy.convolve
解析：numpy.convolve：Returns the discrete, linear convolution of two one-dimensional sequences.
>>> np.convolve([1, 2, 3], [0, 1, 0.5])
array([ 0. , 1. , 2.5, 4. , 1.5])
说明：full模式：(N+M-1)
>>> np.convolve([1, 2, 3], [0, 1, 0.5])
array([ 0. , 1. , 2.5, 4. , 1.5])
说明：same模式：max(M,N)
>>> np.convolve([1,2,3],[0,1,0.5], 'valid')
array([ 2.5])
说明：valid模式：max(M,N)-min(M,N)+1
23. Python使用pdb库进行调试
解析：pdb是Python自带的一个包，为Python程序提供了一种交互的源代码调试功能，主要特性包括设置断点、单步调试、进入函数调试、查看当前代码、查看栈片段、动态改变变量的值等。pdb提供一些常用调试命令，如下所示：
（1）break或b设置断点：设置断点。
（2）continue或c：继续执行程序。
（3）list或l：查看当前行的代码段。
（4）step或s：进入函数。
（5）return或r：执行代码直到从当前函数返回。
（6）exit或q：中止并退出。
（7）next或n：执行下一行。
（8）pp：打印变量的值。
（9）help：帮助。
说明：import pdb; pdb.set_trace()
参考文献：
[1] numpy.meshgrid：https://docs.scipy.org/doc/numpy/reference/generated/numpy.meshgrid.html
[2] 渗透测试人员的Python工具箱：http://sanwen8.cn/p/190y8nx.html
[3] Welcome to cgen’s documentation：https://documen.tician.de/cgen/
来源：CSDN
作者：1000sprites
链接：https://blog.csdn.net/shengshengwang/article/details/52860491