Как я могу удалить значки, по ошибке помещенные в рабочий стол?

Не нужно думать слишком трудно об этом. Это в конечном счете лучше для психического здоровья и продолжительности жизни человека.

любопытная ситуация со скалярными типами Numpy была, подтвердил того, что нет никакого корректного и последовательного способа ухудшиться 1x1 матрица к скалярным типам. Даже при том, что математически они - то же самое, они обрабатываются совсем другим кодом.

при выполнении какого-либо объема научного кода, в конечном счете Вы хотели бы, чтобы вещи как max(a) работали над матрицами всех размеров, даже скаляры. Математически, это - совершенно разумная вещь ожидать. Однако для программистов это означает, что независимо от того, что скаляры подарков в Numpy должны иметь .shape и атрибут .ndim, таким образом, по крайней мере, ufuncs не должны делать явного типа, проверяющего его вход для 21 возможного скалярного типа в Numpy.

, С другой стороны, они должны также работать с существующими библиотеками Python, который делает , делают явные проверки типа на скалярном типе. Это - дилемма, так как Numpy ndarray должен индивидуально изменить свой тип, когда они были уменьшены до скаляра, и нет никакого способа знать, произошло ли это без него, наличие делает проверяет весь доступ. На самом деле хождение тем путем, вероятно, заставило бы бит смехотворно замедлиться для работы с по скалярным стандартам типа.

решение разработчика Numpy состоит в том, чтобы наследоваться и ndarray и скалярам Python для его собственного типа зарплаты, так, чтобы все скаляры также имели .shape, .ndim.T, и т.д. и т.д. 1x1, матрица все еще будет там, но ее использованию будут препятствовать, если Вы будете знать, что будете иметь дело со скаляром. В то время как это должно хорошо работать в теории, иногда Вы могли все еще видеть некоторые места, где они отсутствовали с роликом краски, и ужасные внутренности выставляются, чтобы все видели:

>>> from numpy import *
>>> a = array(1)
>>> b = int_(1)
>>> a.ndim
0
>>> b.ndim
0
>>> a[...]
array(1)
>>> a[()]
1
>>> b[...]
array(1)
>>> b[()]
1

нет действительно никакой причины, почему a[...] и a[()] должен возвратить разные вещи, но это делает. Там существуют предложения изменить это, но похож, они забыли заканчивать задание для 1x1 массивы.

А, потенциально больше, и возможно неразрешимая проблема, то, что скаляры Numpy неизменны. Поэтому "распылением" скаляра в ndarray, математически примыкающая операция сворачивания массива в скаляр, является ЛАВАШ для реализации. Вы не можете на самом деле вырастить скаляр Numpy, он не может по определению быть брошен в ndarray, даже при том, что newaxis загадочно работы над ним:

>>> b[0,1,2,3] = 1
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: 'numpy.int32' object does not support item assignment
>>> b[newaxis]
array([1])

В Matlab, выращивая размер скаляра совершенно приемлемая и глупая операция. В Numpy необходимо засунуть издавание неприятный звук a = array(a) везде, Вы думаете , у Вас была бы возможность запуска со скаляра и окончания с массивом. Я понимаю, почему Numpy должен быть этим способом играть по правилам с Python, но это не изменяет то, что много новых переключателей глубоко перепутаны этим. У некоторых есть явная память борьбы с этим поведением и в конечном счете упорством, в то время как других, которые слишком далеко ушли, обычно оставляют с некоторым глубоким бесформенным умственным шрамом, который часто преследует их большинство невинных мечтаний. Это - ужасная ситуация для всех.