Python中对数组修剪至少可以通过两种方式：
>>> import numpy as np
>>>
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> a[a>5] = 5 #方法1：通过布尔判断剔除不合要求的值
>>> a
array([0, 1, 2, 3, 4, 5, 5, 5, 5, 5])
>>> b = np.arange(10)
>>> b.clip(0,5) #方法2：通过clip(上区间，下区间)，将不在区间内的值修剪掉，
#小于下区间的用下区间值代替，大于上区间的用上区间值代替
array([0, 1, 2, 3, 4, 5, 5, 5, 5, 5])
>>> 对csv数据中不符合值的删除，小搜了一下，发现大多只讲了删除已知索引或已知columns的值的删除，我想做的是如果一行中有不符合的值，则删除整行，当然，这是在数据比较大的情况下的操作，不然删除整行就容易造成数据缺失。
我采取的是这样的操作。
import numpy as np
import pandas as pd
from pandas import Series, DataFrame
data = pd.read_csv('myData.csv')
data.describe()
#根据desceibe（）统计数据，发现某一列，假设为该列column='wherecn',最大值和75%比例的值相差很大,因此
#以该列的75%值为最大值,假设为100，如果data中'wherecn'中的某个数值大于该75%值，则删该值所在的行。
data[data['wherecn'] > 100] = np.nan
cleanedData = data.dropna() #此时的cleanedData即是所要的去除了不合要求的值所在的行的数据了。
我用的是先利用bool值将不合要求的值改变为NAN，然后再利用drop.na()将其删除，用了一次转换，其实应该有直接舍弃的方法，但是目前还没get到，这是我现在能想到的最好的方法了，记录之。
需要读入中文数据时，如果乱码则可能是编码问题可以通过加入encoding解决：
data = pd.read_csv('myData.csv',encoding='gb2312')用pandas中的DataFrame时选取行或列：
import numpy as np
import pandas as pd
from pandas import Sereis, DataFrame
data = DataFrame(np.arange(16).reshape(4,4),index=list('abcd'),columns=list('wxyz'))
data['w'] #选择表格中的'w'列，使用类字典属性,返回的是Series类型
data.w #选择表格中的'w'列，使用点属性,返回的是Series类型
data[['w']] #选择表格中的'w'列，返回的是DataFrame属性
data[['w','z']] #选择表格中的'w'、'z'列
data[0:2] #返回第1行到第2行的所有行，前闭后开，包括前不包括后
data[1:2] #返回第2行，从0计，返回的是单行，通过有前后值的索引形式，
#如果采用data[1]则报错
data.ix[1] #返回第2行的另一种方法，不过与上一种方法不同的是该方法返回的是一个series
data.ix[1:2] #返回第2行的第三种方法，返回的是DataFrame，跟data[1:2]同
data['a':'b'] #利用index值进行切片，返回的是**前闭后闭**的DataFrame,
#即末端是包含的 数组创建函数
array 将输入数据（列表，元组，数组或其他序列类型）转换为ndarray。要么推断出dtype，要么显式指定dtype。默认直接复制输入数据
asarray 将输入转换为ndarray，如果输入本身就是一个ndarray就不进行复制
arange 类似于内置的range,但返回的是一个ndarray而不是列表
ones、ones_like 根据指定的形状和dtype创建一个全1数组。ones_like以另一个数组为参数，并根据其形状和dtype创建一个全1数组
zeros、zeros_like 类似于ones和ones_like，只不过产生的是全0数组
empty、empty_like 创建新数组，只分配内存空间但不填充任何值
eye、identity 创建一个正方的N*N单位矩阵（对角线为1，其余为0）
numpy中的通用函数：
一元函数
abs fabs 计算整数，浮点数或复数的绝对值，对于非复数值，可以使用更快的fabs
sqrt 计算各元素的平方根，相当于 arr ** 0.5
square 计算各元素的平方，相当于 arr ** 2
exp 计算各元素的指数e^x
log,log10,log2,log1p 分别为自然对数（底数为e）、底数为10的log、底数为2的log，log（1+x）
sign 计算各元素的正负号：1（正数）、0（零）、-1（负数）
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，即小于该值的最大整数
rint 将各元素值四舍五入到最接近的整数，保留dtype
modf 将数组的小数和整数部分以两个独立的数组的形式返回
isnan 返回一个表示“哪些值是NaN（这不是一个数字not a number）”的布尔型数组
isfinite/isinf 分别返回一个表示“哪些元素是有穷的（非inf非NaN）”或“哪些元素是
无穷的”的布尔型数组
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not x的真值，相当于-arr
二元函数
add 将数组中对应的元素相加
subtract 从第一个数组中减去第二个数组中的元素
multiply 数组元素相乘
divide、floor_divide 除法或向下圆整除法（丢弃余数）
power 对第一个数组中的元素A，根据第二个数组中的相应元素B，计算A^B
maximum、fmax 元素级的最大值计算。fmax将忽略NaN
minimum、fmin 元素级的最小值计算。fmin将忽略NaN
mod 元素级的求模计算（除法的余数）
copysign 将第二个数组中的值得符号复制给第一个数组中的值
greater、greater_equal、less、less_equal、equal、not_equal 执行元素级的比较运算，最终产生布尔型数组、相当于缀运算符>、>=、<、<=、==、！=
logical_and、logical_or、logical_xor 执行元素级的真值逻辑运算。相当于中缀运算符&、|、^
numpy基本数组统计方法
sum 对数组中全部或某轴向的元素求和，零长度的数组的sum为0
mean 算数平均数。零长度的数组的mean为NaN
std、var 分别为标准差和方差，自由度可调，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 所有元素的累积和
cumprod 所有元素的累积积
数组的集合运算
unique(x) 计算x中的唯一蒜素，并返回有序结果
intersect1d(x,y) 计算x和y中的公共元素，并返回有序结果
union1d(x,y) 计算x和y的并集，并返回有序结果
in1d(x,y) 得到一个表示“x的元素是否包含于y”的布尔型数组
setdiff1d(x,y) 集合的差，即元素在x中且不在y中
setxor1d(x,y) 集合的对称差，即存在于一个数组中但不同时存在于两个数组中的元素，即抑或常见的numpy.linalg函数
diag 以一维数组的形式返回方阵的对角线（或非对角线）元素，或将一维数组转换为方阵（非对角线元素为0）
dot 矩阵乘法
trace 计算对角线元素的和
det 计算矩阵行列式
eig 计算方阵的本征值和本征向量
inv 计算方阵的逆
pinv 计算矩阵的Moore-Penrose伪逆
qr 计算QR分解
svd 计算奇异值分解（SVD）
solve 解线性方程组Ax=b,其中A为一个方阵
lstsq 计算Ax=b的最小二乘解部分numpy.random函数
（numpy.random.normal(size=(4,4))）
seed 确定随机数生成器的种子
permutation 返回一个序列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 从给定的上下限范围内随机选取整数
randn 产生正态分布（平均值为0，标准差为1）的样本值
binomial 产生二项分布的样本值
normal 产生正态（高斯）分布的样本值
beta 产生Beta分布的样本值
chisquare 产生卡方分布的样本值
gamma 产生Gamma分布的样本值
uniform 产生在[0,1)中均匀分布的样本值
1735
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
