numpy，scipy相关

1. np.ones_like
   Return an array of ones with the same shape and type as a given array.
   类似的还有np.zeros_like; np.empty_like
2. np..array
   data[0:3]：是指从下标为0的元素开始 取3-0个
   data[2:6]：是指从下标为2的元素开始 取6-2个

>>> data = np.array([1, 9, 7, 4, 5, 6])
>>> data[0:3]
array([1,9,7])
>>> data[2:6]
array([7, 4, 5, 6])

3. scipy.sparse.csr_matrix
   采取按行压缩的办法, 将原始的矩阵用三个数组进行表示。
   也可以是 data，（row，col）这样 在新的matrix当中指定位置赋值为data中的值。我只做过binarize情况的。比如建立click history matrix的时候。

>>> indptr = np.array([0, 2, 3, 6])
>>> indices = np.array([0, 2, 2, 0, 1, 2])
>>> data = np.array([1, 2, 3, 4, 5, 6])
>>> csr_matrix((data, indices, indptr), shape=(3, 3)).toarray()
array([[1, 0, 2],
       [0, 0, 3],
       [4, 5, 6]])

4. np.ceil
   函数返回输入值的上限

>>> n = np.array([-1.7, -2.5, -0.2, 0.6, 1.2, 2.7, 11])
>>> ceil = np.ceil(n)
[ -1.  -2.  -0.   1.   2.   3.  11.]

5. 查看list的维度
   必须转化为numpy array的形式，然后用x.shape查看

>>> aa=[[1, 4], [2, 5], [3, 6]]
>>> aa_a=np.array(aa)
>>> print(aa_a.shape)
(4, 3)

6. np.all, np.any
   用来检查矩阵是否为0矩阵，是否为0元素

>>> a2
array([[0, 2, 3, 4],
       [2, 3, 4, 5],
       [3, 4, 5, 6],
       [4, 5, 6, 7]])
#判断矩阵中是否有0元素
>>> np.any(a2 == 0)
#判断是否是0矩阵
True
>>> np.all(a2 == 0)
False

7. 关于0/0 RuntimeWarning: invalid value encountered in true_divide

import numpy as np
np.seterr(divide='ignore', invalid='ignore')

8. 遇到array当中有nan值，导致运算出现问题
   想法是 把nan填充为一个具体的值。参考https://blog.csdn.net/lanchunhui/article/details/80399681