NumPy手册

NumPy（Numerical Python的简称）是高性能科学 和数据分析的基础包。

其重要功能如下：
1. ndarray，一个具有矢量运算和复杂广播能力的快速且节省空间的多维数组。
2. 用于对数组数据进行快速运算的标准数学函数（无需编写循环）。
3. 线性代数、随机数生成以及傅里叶变换功能。

import numpy as np

1.数据创建函数

Demo：

data = [1.1,2.2,3.3]
data = np.array(data)

print data                           #[ 1.1  2.2  3.3]
print data.dtype                     #float64
print data.shape                     #(3L,)

data = data*10                       #不同于python里面列表的运算
print data                           #[ 11.  22.  33.]

data = data.astype(np.int16)
print data.dtype                     #int16

2.元素级数组函数

一元ufunc：

Demo：

arr = np.arange(10)
print arr           #[0 1 2 3 4 5 6 7 8 9]
print np.sqrt(arr)  
#[ 0. 1. 1.41421356 1.73205081 2. 2.23606798  2.44948974 2.64575131 2.82842712 3.]

二元ufunc：

Demo：

x = np.random.randn(8)
y = np.random.randn(8)
print x
print y
print np.maximum(x,y)

#输出
[  6.44384037e-01   4.77467240e-01  -1.63710500e+00  -2.23397938e-01
   2.42823340e-04   2.90417057e-01   1.59116209e+00  -9.84905419e-01]
[-0.83284853  1.37952239  0.21118756 -0.17092715  0.01228589  1.54071412
  1.44245279  0.63661402]
[ 0.64438404  1.37952239  0.21118756 -0.17092715  0.01228589  1.54071412
  1.59116209  0.63661402]

3.基本数组统计方法

Demo：

x = np.random.randint(1,10,10)
print x                         #[2 8 2 8 7 3 2 3 3 2]
print np.argmax(x)              #1  最大值为8，下标为1

4.数据的集合运算

5.常用的numpy.linalg函数

6.部分numpy.random函数

7.数组连接函数

8.take、where、copy

（1）take：

arr = np.arange(10)*100
inds = [7,1,2,6]
print arr.take(inds)      #[700 100 200 600]

（2）where：

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

arr = np.random.randn(4,4)
print arr

[[ 1.19717763 -0.741477   -2.15110668 -0.46468596]
 [-1.13466991  1.10899501 -1.61028763 -0.6177533 ]
 [ 1.95222784 -0.00466218 -1.23314358  0.75340766]
 [ 0.24350204 -0.23099947  0.11610512  0.21914577]]

print np.where(arr < 0, 0, arr)

[[ 1.19717763  0.          0.          0.        ]
 [ 0.          1.10899501  0.          0.        ]
 [ 1.95222784  0.          0.          0.75340766]
 [ 0.24350204  0.          0.11610512  0.21914577]]

（3）copy：

data_copy = data.copy（） # 可以得到一份副本，并不影响原来的数据

参考文献
（1）利用python进行数据分析