1.map()
map()是Python内置的高阶函数，它接收一个函数f和一个lis，并通过把函数f依次作用在list的每个元素上，得到一个新的list并返回。
map() 会根据提供的函数对指定序列做映射，是内置函数(推荐学习：Python视频教程)
第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。
语法map(function, iterable, ...)
例如，对于list [1, 2, 3, 4, 5, 6, 7, 8, 9]
如果希望把list的每个元素都作平方，就可以用map()函数：
因此，我们只需要传入函数f(x)=x*x，就可以利用map()函数完成这个计算：def f(x):
return x*x
print map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])
输出结果：[1, 4, 9, 10, 25, 36, 49, 64, 81]
注意：map()函数不改变原有的 list，而是返回一个新的 list。
利用map()函数，可以把一个 list 转换为另一个 list，只需要传入转换函数。
由于list包含的元素可以是任何类型，因此，map() 不仅仅可以处理只包含数值的 list，事实上它可以处理包含任意类型的 list，只要传入的函数f可以处理这种数据类型。
原文链接：https://blog.csdn.net/weixin_29717341/article/details/113403902
2.np.array() 构建一维、多维数组
3.
np.genfromtxt(path, dtype=np.int32) #从文本文件加载数据，并按指定处理缺失值。
4.python 字典{i:j}
字典是一种可变容器模型，且可存储任意类型对象，
字典的每个键值对(key=>value)都是用冒号：分割，每个键值对之间用逗号，分割，整个字典包括在花括号{}中，格式如下：
my_dict = {key1:value1, key2:value2}
键一般是唯一的，如果重复最后的一个键值对会替换前面的，值不需要唯一。
值可以取任何数据类型，但键必须是不可变的，如字符串、数字或元组。
dict.clear()删除字典内所有元素
dict.copy()返回一个字典的浅复制
dict.fromkeys(seq[val1,val2])创建一个新字典，以序列seq中元素作为字典的键，val为字典所有键对应的初始值?
dict.get(key, default = None)返回指定键的值，如果值不在字典中返回default值? ?
dict.has_key(key)如果键在字典dict中返回true，否则返回false??
dict.items()以列表返回可遍历的（键，值）元组数组??
dict.keys()以列表返回一个字典所有的键
dict.setdefault(key, default=None)和get()类似，但如果键不存在于字典中，将会添加键并将值设为default??
dict.update(dict2)把字典dict2的键/值对更新到dict里?
dict.values()以列表返回字典中的所有值? ?
pop(key[,default])删除字典给定键key所对应的值，返回值为被删除的值。key值必须给出。否则，返回default值
?popitem()随机返回并删除字典中的一对键和值
原文链接：https://blog.csdn.net/laobai1015/article/details/85160715
5.
.flatten() 返回一个折叠成一维的数组。但是该函数只能适用于numpy对象，即array或者mat，普通的list列表是不行的
6.
.reshape(edges_unordered.shape)
numpy.reshape(a,?newshape,?order='C')? a:需要处理的数组? newshape:变成某个样子
Tensor.reshape(*shape)?→?Tensor
7.
sp.coo_matrix
稀疏矩阵可用于算术运算：它们支持加法、减法、乘法、除法和矩阵幂。
COO 是一种用于构建稀疏矩阵的快速格式
构建矩阵后，转换为 CSR 或 CSC 格式，以实现快速算术和矩阵矢量运算
默认情况下，转换为 CSR 或 CSC 格式时，重复的 （i，j） 条目将相加。这有利于有限元矩阵等的高效构建。（请参阅示例）
8.
np.ones(edges.shape[0])
ones()返回一个全1的n维数组，同样也有三个参数：shape（用来指定返回数组的大小）、dtype（数组元素的类型）、order（是否以内存中的C或Fortran连续（行或列）顺序存储多维数据）。后两个参数都是可选的，一般只需设定第一个参数。
9.
(edges[:, 0], edges[:, 1])
10.
sp.eye
numpy.eye(N, M=None, k=0, dtype=<class ‘float’>, order=‘C’)
Return a 2-D array with ones on the diagonal and zeros elsewhere. 函数eye()的作用是返回一个对角线diagonal上全是1，而其他位置全为0的一个二维数组（2D-array）。
Parameters:
N?: int，Number of rows in the output.
M?: int, optional，Number of columns in the output. If None, defaults to N.
11.
normalize的作用
归一化就是要把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。归一化的目的简而言之，是使得没有可比性的数据变得具有可比性，同时又保持相比较的两个数据之间的相对关系，如大小关系；或是为了作图，原来很难在一张图上作出来，归一化后就可以很方便的给出图上的相对位置等。数学和物理中常出现的normalize是什么意思? - 知乎
12.
Tensor.to_dense()?→?Tensor
Creates a strided copy of?self
13.
https://pytorch.org/docs/stable/generated/torch.masked_select.html#torch.masked_selectReturns a new 1-D tensor which indexes the?input?tensor according to the boolean mask?mask?which is a?BoolTensor.
The shapes of the?mask?tensor and the?input?tensor don’t need to match, but they must be?broadcastable.
