NumPy

NumPy本身没有提供多么高级的数据分析功能，理解NumPy数组以及面向对象数组的计算将有利于更加高效的使用诸如pandas之类的工具。默认这样使用numpy：

import numpy as np

NumPy最重要的一个特点就是N维数组对象ndarray，该对象是一个快速而灵活的大数据集容器。

ndarray对象的属性及方法表(下面简称数组)：

属性方法	作用
shape	维度大小
dtype	数据类型
array	把序列型对象转化为ndarray，dtype可以显式指明类型
ndim	维度
矢量化(vectorization)运算	数组对应元素相加减乘除，无需编写循环，如：a2 = a*a, c= a-b(数组维度需要相同), 'a/2'a中所有元素都会除以2
np.zeros(10)，np.zeros_like(数组)	创建全0数组
np.ones((2, 3))，np.ones_like(数组)	创建全1数组
np.empty((1, 2, 3))，np.empty_like(数组)	创建空的数组(数组未初始化)
np.eye(2) or np.identity(1)	创建n*n单位矩阵
np.arange(10)	类似Python内置函数range()
astype(np.int32)	显式的转化其dtype，字符串也可以转化！但是是新的数组，即使新旧的dtype相同
[3]	索引
[5:8]	切片(这里的切片只是视图，而非副本，如要副本，[5:8].copy())
[布尔型数组]	可以作为索引(大小需匹配)，一般可以这样使用，a[b < 0] = 0
a[b == value, 2:]	与切片、整数可以混合使用
花式索引	a[[5, 3, -2]]选取a的5,3,-2行；选取矩形区域a[[5,3,-1], [:, [0,2,1]]]，还有一个方法是使用ix_它可以把两个一维数组转化成选取方形区域的索引器，如：a[np.ix_([5,3,-1], [0,2,1]]，注意：花式索引总是把数据复制到新的数组中
reshape	改变原有数组的形状
T	返回原数组转置后的视图，不进行任何复制操作
np.dot(a.T, a)	计算矩阵内积aTa
transpose((1,0,3))	需要得到一个由轴编号组成的原组才能对这些轴进行转置
swapaxes(1,2)	接受一对轴编号进行轴对换，只是返回视图，不进行复制操作

---

np的一些方法：

属性方法	作用
通用函数(ufunc)	是对ndarray中的数据执行元素级运算的函数，可以看做是简单函数的矢量包装器
一元ufunc
abs, fabs	计算整数、浮点数或复数的绝对值；对于非复数，使用后者速度更快
sqrt	计算各元素的平方根，类似：a ** 0.5
square	计算各元素的平方
exp	计算各元素的指数ex
log, log10, log2, log1p	分别为底数是自然对数e, 10, 2以及log(1+x)
sign	计算各元素正负号，整数、零、负数分别是1,0,-1
ceil	计算各元素的ceiling值，即大于等于该值的最小整数
floor	计算各元素的floor值，即大于等于该值的最大整数
rint	将各元素四舍五入到最接近的整数值，保留dtype
modf	将数组的小数和整数部分以两个独立数组的形式返回
isnan	返回一个表示那些是NaN的布尔型数组
isfinite, isinf	分别返回一个表示那些元素是有穷的(非inf, 非NaN)或那些元素是无穷的
cos, cosh, sin, sinh，tan, tanh	普通型和双曲型三角函数
arccos, arccosh, arcsin, arcsinh, arctan, arctanh	反三角函数
logical_not	计算各元素的not x的真值(返回一个布尔类型的数组)
二元ufunc
add	相加
subtract	相减
multiply	相乘
divide, floor_divide	除法或向下取整除法(类似python //)
power(a,b)	求ab
maximum, fmax	最大值计算，fmax将忽略NaN
minimum, fmin	最大值计算，fmin将忽略NaN
mod	求模
copysign	将第二个数组值的符号复制给第一个数组的
greater、greater_equal、less、less_equal、equal、not_equal	比较，最终产生布尔型数组
logical_and、logical_or、logical_xor	逻辑运算
where(a>0,b,c)	类似python三元表达式
数学和统计方法	既可以被ndarray调用，也可以被np调用
sum	求和，可以通过axis指定某轴向的元素
mean	算术平均数，零长度的数组的sum为0
std、var	分别为标准差，方差，自由度可调整(默认为n)
min、max	最大值和最小值
argmin、argmax	分别为最大和最小元素的索引
cumsum	所有元素累计和
cumprod	所有元素的累计积
常用于布尔类型的方法
举例如下：
a(>0).sum()	求正值的数量
bools.any()	是否存在一个或多个True
bools.all()	是否全部为True
a.sort()	就地升序排序，可以通过axis指定轴向
unique(a)	找出数组中唯一值(类似python的set)并返回已排序的结果
intersect1d(a, b)	计算a、b的公共元素，并返回有序的结果
union1d(a, b)	计算a、b的并集，并返回有序结果
in1d(a,b)	得到一个表示a是包含于b的布尔型数组(？a中元素在b中即为True)
setdiff1d(a,b)	集合的差，在a中不在b中
setxor1d(a,b)	集合的对称差，即只在一个数组中，即，‘异或’
用于数组的文件输入输出
save('file1', a)	默认以未压缩的原始二进制格式保存在拓展名为.npy的文件中
load('file1.npy')	读取
savez('file1.npz', a=arr1, b=arr2)	多个数组保存到一个压缩文件，load .npz文件会得到一个字典类型的数组，获取a, b数组，a['a'], a['b']
loadtxt('file1.txt', delimiter=',')	读取txt文件，以,分割
线性代数
a*b	计算的是a和b对应元素的积，而非点积
dot	矩阵点积
numpy.linalg	这个库有常用的矩阵分解运算等关于矩阵的函数，常用函数如下:
diag	以一维数组的形式返回方阵的对角线(或非对角线元素)
dot	矩阵乘法
trace	计算对角线元素和
det	计算矩阵行列式
eig	计算方阵的本征值和本征向量
inv	求逆
pinv	计算矩阵的Moore-Penrose伪逆
qr	计算QR分解
svd	计算奇异值分解
solve	解线性方程Ax=b，其中A为一个方阵
lstsq	计算Ax=b的最小二乘解
随机数生成
np.random.normal(size=(4, 4))	生成标准正态分布
seed	确定随机数生成种子
permutation	返回一个的随机排列或返回一个随机排列的范围
shuffle	对一个序列就地随机排列
rand	产生均匀分布的样本值
randint	给定的上下限范围内随机选取整数
randn	产生正态分布
binomial	产生二项分布
normal	产生高斯分布
beta	产生Beta分布的样本值
chisquare	产生卡方分布样本值
gamma	产生Gamma分布样本值
uniform	产生在[0, 1)中均匀分布的样本值