大白

要使用pandas，你首先就得熟悉它的两个主要数据结构：Series和DataFrame。虽然它们并不能解决所有问题，但它们为大多数应用提供了一种可靠的、易于使用的基础。

np.abs(walk)>=10可以得到一个布尔型数组，它表示的是距离是否达到或超过10，而我们想要知道的是第一个10或－10的索引。不难看出，这其实就是随机漫步中各步的累计和，可以用一个数组运算来实现。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。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。先来看一个简单的随机漫步的例子：从0开始，步长1和－1出现的概率相等。

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西。NumPy提供了一个用于矩阵乘法的dot函数（既是一个数组方法也是numpy命名空间中的一个函数）线性代数（如矩阵乘法、矩阵分解、行列式以及其他方阵数学等）是任何数组库的重要组成部分。表达式X.T.dot(X)计算X和它的转置X.T的点积。x.dot(y)等价于np.dot(x, y)

np.save和np.load是读写磁盘数组数据的两个主要函数。如果文件路径末尾没有扩展名.npy，则该扩展名会被自动加上。

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。一般来说，矢量化 数组运算要比等价的纯Python方式快上一两个数量级（甚至更多），尤其是各种数值计算。作为简单的例子，假设我们想要在一组值（网格型）上计算函数 sqrt(x^2+y^2)。

通用函数（即ufunc）是一种对ndarray中的数据执行元素级运算的函数。你可以将 其看做简单函数（接受一个或多个标量值，并产生一个或多个标量值）的矢量化包 装器。虽然并不常见，但有些ufunc的确可以返回多个数组。这里，numpy.maximum计算了x和y中元素级别最大的元素。表4-3和表4-4分别列出了一些一元和二元ufunc。

NumPy（Numerical Python的简称）是Python数值计算最重要的基础包。NumPy之于数值计算特别重要的原因之一，是因为它可以高效处理大数组的数据。基于NumPy的算法要比纯Python快10到100倍（甚至更快），并且使用的内存更少。

在shell中输入表达式，按下Tab，会搜索已输入变量（对象、函数等等）的命名空间：除了补全命名、对象和模块属性，Tab还可以补全其它的。当输入看似文件路径时 （即使是Python字符串），按下Tab也可以补全电脑上对应的文件信息：另外，tab补全可以补全函数的关键词参数（包括等于号=）。