快速入门numpy（二）

通用函数（元素级）

这边就是一些计算的函数，大家熟悉一下就成，如果用到可以查询相关的文档。

计算x和y中元素级别最大的元素

modf函数，它会返回浮点数数组的小数和整数部分

这边放一些函数表

利用数组进行数据处理

这一部分涉及的内容也比较多，比较重要
NumPy数组使你可以将许多种数据处理任务表述为简洁的数组表达式（否则需要编写循环）。⽤数组表达式代替循环的做法，通常被称为⽮量化。
书上有一个例子，但是为好像不是太理解，这边不影响numpy的学习，所以为就跳过了。

将条件逻辑表述为数组运算
这边其实就一个重要的函数where，注意这是重点

numpy.where函数是三元表达式x if condition else y的⽮量化版
本。

xarr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])
yarr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])
cond = np.array([True, False, True, True, False])

假设我们想要根据cond中的值选取xarr和yarr的值：当cond中的
值为True时，选取xarr的值，否则从yarr中选取。
要想实现这个选择，我们一般会这么写，还是要用到循环

result = [(x if c else y)
          for x, y, c in zip(xarr, yarr, cond)]
result

这样一点都体现不出我们numpy的优势，我们要搞矢量化

np.where的第⼆个和第三个参数不必是数组，它们都可以是标量值。在数据分析⼯作中， where通常⽤于根据另⼀个数组⽽产⽣⼀个新的数组。假设有⼀个由随机数据组成的矩阵，你希望将所有正值替换为2，将所有负值替换为－2。若利⽤np.where，则会⾮常简单：

使⽤np.where，可以将标量和数组结合起来。例如，我可⽤常数
2替换arr中所有正的值：

数学和统计⽅法

这⾥， arr.mean(1)是“计算⾏的平均值”， arr.sum(0)是“计算每列
的和”。

累加函数、累乘函数

其他一些统计函数

⽤于布尔型数组的⽅法
在上⾯这些⽅法中，布尔值会被强制转换为1（ True）和0（ False）。因此， sum经常被⽤来对布尔型数组中的True值计数：

另外还有两个⽅法any和all，它们对布尔型数组⾮常有⽤。 any⽤于测试数组中是否存在⼀个或多个True，⽽all则检查数组中所有值是否都是True：

排序
跟Python内置的列表类型⼀样， NumPy数组也可以通过sort⽅法
就地排序：

这里主要是就地排序和排序副本两种，需要加以区别

唯⼀化以及其它的集合逻辑
这边看代码，其实没什么不好理解的

另⼀个函数np.in1d⽤于测试⼀个数组中的值在另⼀个数组中的成员资格，返回⼀个布尔型数组：

其他相关函数

数组文件的输入输出

save和load，这里很自然，很多文件都是这样的保存和读取

通过savez可以保存多个数组到一个未压缩文件中

线性代数

矩阵乘法

x.dot(y)等价于np.dot(x, y)

@符（类似Python 3.5）也可以⽤作中缀运算符，进⾏矩阵乘
法

x @ np.ones(3)

numpy.linalg中有⼀组标准的矩阵分解运算以及诸如求逆和⾏列式之类的东⻄。它们跟MATLAB和R等语⾔所使⽤的是相同的⾏业标准线性代数库，如BLAS、 LAPACK、 Intel MKL（ Math Kernel Library，可能有，取决于你的NumPy版本）

具体的一些函数可以查表

伪随机数生成

比python自带的高级多的随机数

numpy.random模块对Python内置的random进⾏了补充，增加了⼀些⽤于⾼效⽣成多种概率分布的样本值的函数。例如，你可以⽤normal来得到⼀个标准正态分布的4×4样本数组

我们说这些都是伪随机数，是因为它们都是通过算法基于随机数
⽣成器种⼦，在确定性的条件下⽣成的。你可以⽤NumPy的
np.random.seed更改随机数⽣成种⼦

上面的两次生成是一样的

numpy.random的数据⽣成函数使⽤了全局的随机种⼦。要避免全局状态，你可以使⽤numpy.random.RandomState，创建⼀个与其它隔离的随机数⽣成器