上篇博客写到了numpy的索引与切片，这篇博客介绍numpy的一些数学统计上的使用和如何结合numpy实现对结构化文本的处理

通用函数

所谓的通用函数(ufunc)就是指元素级别的数组函数，你可以将其看做简单函数其接受一个或者多个标量值，产生一个或者多个标量值。

In [87]: arr
Out[87]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])In [88]: np.sq
np.sqrt     np.square   np.squeeze  In [88]: np.sqrt(arr)
Out[88]: 
array([ 0.        ,  1.        ,  1.41421356,  1.73205081,  2.        ,2.23606798,  2.44948974,  2.64575131,  2.82842712,  3.        ])In [92]: y = np.random.randn(10)In [93]: x = np.random.randn(10)In [94]: x
Out[94]: 
array([-1.21694813,  1.78409159, -1.65434122, -0.15399479,  1.60253837,0.74424786, -0.67561382, -0.40101547,  0.98082673, -2.02494822])In [95]: y
Out[95]: 
array([-0.00402273, -0.06694182, -2.65686769, -0.39958789, -0.77770152,0.13560955,  0.80155845, -0.65633865, -0.10009588,  2.00409772])In [96]: np.maxi
np.maximum         np.maximum_sctype  In [96]: np.maximum(x,y)
Out[96]: 
array([-0.00402273,  1.78409159, -1.65434122, -0.15399479,  1.60253837,0.74424786,  0.80155845, -0.40101547,  0.98082673,  2.00409772])

类似与上面的函数还有很多，下表列出部分：

利用numpy进行数据处理

利用numpy强大的数组（矩阵）能力，可以将很多的数据处理的问题转化为对数组的处理问题

比如对一个数组将其中大于0的值置为2，小于0的置为-2，这个怎么做？？？
python的一般做法是遍历，但是这存在性能问题，我们看看numpy是怎么做的
利用numpy.where()可以简单的做到，where()函数是if condition x else y的矢量化版本，我们可以这么做：

In [97]: arr = np.random.randn(4,4)In [98]: arr
Out[98]: 
array([[-1.91177362,  0.82087817,  0.74335108,  1.80535455],[-1.04152013, -1.55160244,  0.58826121,  0.0138859 ],[ 0.86341095,  2.0301454 ,  0.75151171, -0.38441971],[-0.95949818,  0.39064892,  0.17747275, -0.00499914]])In [99]: np.where(arr>0, 2, -2) ## 矢量化版本的if condition
Out[99]: 
array([[-2,  2,  2,  2],[-2, -2,  2,  2],[ 2,  2,  2, -2],[-2,  2,  2, -2]])

(1)数学与统计

In [101]: arr = np.random.randn(4,4)In [102]: arr
Out[102]: 
array([[ 1.22742206, -0.49602643,  0.06893939, -0.5974265 ],[ 1.33043955, -0.24695017,  1.39751381, -0.23691971],[-1.25554674,  0.37242292, -0.14985591, -0.11907288],[ 0.06103707, -1.28255389, -0.67935123, -1.35710905]])In [103]: arr.mean()
Out[103]: -0.1226898557091208In [104]: arr.mean(axis=0)
Out[104]: array([ 0.34083799, -0.41327689,  0.15931151, -0.57763203])In [105]: arr.mean(axis=1)
Out[105]: array([ 0.05072713,  0.56102087, -0.28801315, -0.81449428])In [106]: arr.sum()
Out[106]: -1.9630376913459329In [107]: arr.sum(axis=0)
Out[107]: array([ 1.36335194, -1.65310755,  0.63724605, -2.31052813])

类似的方法还有很多，下图列出部分：

(2)数组的集合运算

看下例：

In [108]: values = np.array([2,3,1,6,7,4])In [109]: values1 = np.array([2,6,8])In [110]: np.in1d(values, values1) ## 判断values的元素是否在values1中
Out[110]: array([ True, False, False,  True, False, False], dtype=bool)

(3)文件的输入输出

主要是那个函数np.load()和np.save()，前者负责读取文件，后者负责写文件

In [112]: test_write = np.arange(10)In [113]: np.save('test',test_write)  ## 会在当前目录下创建名叫"test.npy"的二进制文件In [114]: load_test = np.load('test.npy')  ## 读入文件In [115]: load_test
Out[115]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

还可以使用np.loadtxt()，通过制定分隔符(delimiter)来读取结构化的文本文件，这个我在博客Numpy使用1中介绍过，就不在多说了，需要的可以去看看

其它的特性还有些想关于线性代数方面的，这个大家自行百度。

其实存取结构化的数据(类似于表结构)numpy并不是很好的选择，之后我会写个介绍pandas的博客，这个对各种表结构的处理比numpy强大太多，numpy的强大之处在于其n-dim array的能力。