numpy.array的基本運算以及對數據的操作
設置一個問題，例如
這種只需要基本的運算就可以實現
類似的
numpy對向量的運算進行了優化，速度是相當快的，這種被稱為universal functions
可以使用+，-，，/，//， *（兩個星號），%，1/（/表示浮點除，//表示整數除，%表示取余，**表示平方，1/表示倒數）
特殊的運算
像是abs（絕對值），三角函數（sin，cos，tan等），exp（所有元素取e的x次方），log，log2，log10
矩陣之間的運算,要保證可以運算
常規加減沒問題，在矩陣相乘的時候不能使用*，要使用.dot（），轉置矩陣可使用.T
向量與矩陣的運算
正常的加減法，雖然數學意義上不存在，但是是可以計算出來的，通過堆疊可以驗證出來計算的結果
不同行列數的矩陣相乘，也是使用dot來操作，不同的是，numpy會自動將結構修改，使之變成符合運算規律的計算
（A.dot(V)，將v變成了一個2*1的矩陣列向量）
矩陣的逆
使用linalg.inv
由於很多時候只有方陣才能進行計算，那么我們就需要使用linalg.pinv來設置偽逆矩陣
聚合操作
聚合操作
即將一組值變成一個值
像是求和
使用sum或者np.sum即可
兩者的區別就是，原生的sum效率是比np.sum的效率低的
對二維數組也可以
當設置成axis=0時，會沿着行的方向進行運算（垂直方向）
同理，axis=1時，沿着列方向（水平方向）
求一個組的最小值或最大值
乘積（計算出來不對，感覺哪里出了問題），均值，中位數
百分數
q=50意味着百分之50的數（即中位數）
通過for循環輸出各個百分位點
方差和標准差
索引（arg運算）
索引
當想要獲取獲取的數的位置時，可以使用arg后接運算
這將返回一個索引值，這個值的位置即為數值位置
argmin
argmax
排序以及使用索引
首先將創建出的亂序
（如果只是對np.sort操作，這只是將順序顯示出來，並沒有改變原有的順序）
對x進行sort操作的話，會直接改變
對二維數組來說，相同
注意：默認的axis為1
使用argsort一樣，返回的是索引
使用索引排序
使用argsort顯示出來的是原有數據的索引值的排序順序
（像是索引為6的值是0，1的索引值為13，以此類推）
快速排序的partition操作（對象，標定點）
如果使用的是argpartition，則返回的是索引值，對二維數組同樣適用
比較（包含fancy indexing）
Fancy indexing
想要得到指定的索引值的數據（在需要非等步長的時候）
可以使用ind
我們還可以使用這種方法對二維的索引進行一個使用
通過二維的索引，對原有數據引用，是指形成根據索引排布的一個二維矩陣
對二維數組來說
同樣可以使用
我們想要得到對應的行列元素，可進行相應的操作
以上是數值方面的
有時候我們還會遇到其他類型的數據
比如在批量比較之后返回的布爾數組
關於numpy.array的比較
我們可以使用很多的符號，像是<，>，<=，>=，==，!=等等
其返回的就是布爾值
同時，我們也可以結合之前的運算符來構成更為復雜的算式
同樣，對二維數組一樣適用
對整體進行（對數組和矩陣都適用）
count_nonzero，不為零的數量
any，是有一個為true，則返回為true
all，是有全部為true，則返回為true
通過axis=1，對列這一行進行比較
同樣的，我們可以對這些進行組合
在兩個數組數據進行比較時，使用位運算符&（與），|（或），~（非）
這種方法可以很直觀的顯示出所需要的值
像是需要數組中小於5的，需要數組中為偶數的
對二維數組來說一樣可以
如果我們需要抽出一些行，這些行滿足的特點是最后一列可以被三整除，那么我們要先選擇出第三列，然后進行整除，最后抽出來
