numpy.array的基本运算以及对数据的操作
设置一个问题，例如
这种只需要基本的运算就可以实现
类似的
numpy对向量的运算进行了优化，速度是相当快的，这种被称为universal functions
可以使用+，-，，/，//， *（两个星号），%，1/（/表示浮点除，//表示整数除，%表示取余，**表示平方，1/表示倒数）
特殊的运算
像是abs（绝对值），三角函数（sin，cos，tan等），exp（所有元素取e的x次方），log，log2，log10
矩阵之间的运算,要保证可以运算
常规加减没问题，在矩阵相乘的时候不能使用*，要使用.dot（），转置矩阵可使用.T
向量与矩阵的运算
正常的加减法，虽然数学意义上不存在，但是是可以计算出来的，通过堆叠可以验证出来计算的结果
不同行列数的矩阵相乘，也是使用dot来操作，不同的是，numpy会自动将结构修改，使之变成符合运算规律的计算
（A.dot(V)，将v变成了一个2*1的矩阵列向量）
矩阵的逆
使用linalg.inv
由于很多时候只有方阵才能进行计算，那么我们就需要使用linalg.pinv来设置伪逆矩阵
聚合操作
聚合操作
即将一组值变成一个值
像是求和
使用sum或者np.sum即可
两者的区别就是，原生的sum效率是比np.sum的效率低的
对二维数组也可以
当设置成axis=0时，会沿着行的方向进行运算（垂直方向）
同理，axis=1时，沿着列方向（水平方向）
求一个组的最小值或最大值
乘积（计算出来不对，感觉哪里出了问题），均值，中位数
百分数
q=50意味着百分之50的数（即中位数）
通过for循环输出各个百分位点
方差和标准差
索引（arg运算）
索引
当想要获取获取的数的位置时，可以使用arg后接运算
这将返回一个索引值，这个值的位置即为数值位置
argmin
argmax
排序以及使用索引
首先将创建出的乱序
（如果只是对np.sort操作，这只是将顺序显示出来，并没有改变原有的顺序）
对x进行sort操作的话，会直接改变
对二维数组来说，相同
注意：默认的axis为1
使用argsort一样，返回的是索引
使用索引排序
使用argsort显示出来的是原有数据的索引值的排序顺序
（像是索引为6的值是0，1的索引值为13，以此类推）
快速排序的partition操作（对象，标定点）
如果使用的是argpartition，则返回的是索引值，对二维数组同样适用
比较（包含fancy indexing）
Fancy indexing
想要得到指定的索引值的数据（在需要非等步长的时候）
可以使用ind
我们还可以使用这种方法对二维的索引进行一个使用
通过二维的索引，对原有数据引用，是指形成根据索引排布的一个二维矩阵
对二维数组来说
同样可以使用
我们想要得到对应的行列元素，可进行相应的操作
以上是数值方面的
有时候我们还会遇到其他类型的数据
比如在批量比较之后返回的布尔数组
关于numpy.array的比较
我们可以使用很多的符号，像是<，>，<=，>=，==，!=等等
其返回的就是布尔值
同时，我们也可以结合之前的运算符来构成更为复杂的算式
同样，对二维数组一样适用
对整体进行（对数组和矩阵都适用）
count_nonzero，不为零的数量
any，是有一个为true，则返回为true
all，是有全部为true，则返回为true
通过axis=1，对列这一行进行比较
同样的，我们可以对这些进行组合
在两个数组数据进行比较时，使用位运算符&（与），|（或），~（非）
这种方法可以很直观的显示出所需要的值
像是需要数组中小于5的，需要数组中为偶数的
对二维数组来说一样可以
如果我们需要抽出一些行，这些行满足的特点是最后一列可以被三整除，那么我们要先选择出第三列，然后进行整除，最后抽出来
