numpy中shape (1,X) 和 （X，）的区别 参考
首先放结论：shape(x,)是一维数组，ndim=1,[1,2,3,…x] ;shape(1,x)是二维？数组，ndim=2,[[1,2,3,…n]]
由于array.shape 表示数组的维度，返回一个元组，这个元组的长度就是维度的数目，即 ndim
属性(秩)。一个二维数组，其维度表示"行数"和"列数"。
说人话，
nidm属性 秩=维度/数=轴的数量，一维数组ndim=1,二维数组ndim=2
shape属性返回一个元组，元组的长度=ndim,二维数组的shape=(行数，列数)，一维数组shape=（列数，）PS：因为一维数组ndim=1嘛，所以会这样表示！
array.size属性，数组元素的总个数，相当于 .shape 中 n*m 的值
axis=0，表示沿着第 0 轴进行操作，即对每一列进行操作
axis=1，表示沿着第1轴进行操作，即对每一行进行操作。
（先理解这么多，其他的真的理解不了 。。。。11.22）
np.random()
np.random.rand(3,2) #随机生成【3，2】大小的矩阵
np.random.rand(3,2) #随机生成【3，2】大小的矩阵
array([[0.98766853, 0.09140474],
[0.85365579, 0.71327129],
[0.22873142, 0.05369397]])
np.random.randint(10,size=5) #随机生成(0-10)的int整形，大小=5
>>> np.random.randint(10,size=5) #随机生成[0-10)的int整形，大小=5
array([3, 2, 2, 9, 7])
np.random.randint(0,5,(2,2))#随机生成[0,5)的int整形，大小（2*2矩阵）
>>> b=np.random.randint(0,5,(2,2))
>>> b
array([[4, 0],
[3, 3]])
np.arange() 借鉴
- 一个参数时，参数值为终点，起点取默认值0，步长取默认值1
>>> np.arange(5)
array([0, 1, 2, 3, 4])
- 两个参数时，第一个参数为起点，第二个参数为终点，步长取默认值1。包前不包后
>>> np.arange(5,10)
array([5, 6, 7, 8, 9])
- 三个参数时，第一个参数为起点，第二个参数为终点，第三个参数为步长；步长支持小数。
>>> np.arange(5,10,2)
array([5, 7, 9])
参考
稍微一看，shape为(x,)和shape为(x,1)几乎一样，都是一维的形式。其实不然：
(x,)意思是一维数组，数组中有x个元素
(x,1)意思是一个x维数组，每行有1个元素
reshape() 参考
numpy中reshape函数的三种常见相关用法
1、numpy.arange(n).reshape(a, b) 依次生成n个自然数，并且以a行b列的数组形式显示
np.arange(16).reshape(2,8) #生成16个自然数，以2行8列的形式显示
# Out:
# array([[ 0, 1, 2, 3, 4, 5, 6, 7],
# [ 8, 9, 10, 11, 12, 13, 14, 15]])
2、mat (or array).reshape(c, -1) 必须是矩阵格式或者数组格式，才能使用 .reshape(c, -1) 函数， 表示将此矩阵或者数组重组，以 c行d列的形式表示
arr.shape # (a,b)
arr.reshape(m,-1) #改变维度为m行、d列 （-1表示列数自动计算，d= a*b /m ）
arr.reshape(-1,m) #改变维度为d行、m列 （-1表示行数自动计算，d= a*b /m ）
-1的作用: 自动计算d：d=数组或者矩阵里面所有的元素个数/c, d必须是整数，不然报错）
（reshape(-1, m)即列数固定，行数需要计算）
3、
- numpy.arange(a,b,c) 从 数字a起, 步长为c, 到b结束，生成array 【a,b)
- numpy.arange(a,b,c).reshape(m,n) ：将array的维度变为m 行 n列。
>>> np.arange(1,11,2)
array([1, 3, 5, 7, 9])
>>> np.arange(1,12,2).reshape(2,-1)
array([[ 1, 3, 5],
[ 7, 9, 11]])
参考：
array([[1, 2, 3],
[4, 5, 6]])
>>> c=c.reshape(3,2)
>>> c
array([[1, 2],
[3, 4],
[5, 6]])
>>> c=c.reshape(-1,6)
>>> c
array([[1, 2, 3, 4, 5, 6]])
>>> c=c.reshape(6,-1)
>>> c
array([[1],
[2],
[3],
[4],
[5],
[6]])
