所谓高级函数，指普通生活中很少使用的，但是在数据高级分析、机器学习、科学研究中所需要使用的一类统计函数。
1)、计算沿指定轴的元素个数的第q个百分位数，求观察值N
函数percentile(a, q, axis=None)，a为需要统计的集合对象，q为要计算的百分位数或百分位数序列（q的取值区间为[0,100]）。返回q%范围内的观察值
import numpy as np
a1 = np.array([[10,0,9],[8,9,9],[9,10,9]]) #建立二维数组
np.percentile(a1,50,axis=0)
array([9., 9., 9.])
2、一阶差分，计算沿给定轴的n次迭代离散差。
函数diff(a, n=1, axis=-1)，a为需要统计的集合对象，n迭代离散差次数，默认值n=1。
沿着指定轴计算第N维的离散差值
参数：
a：输入矩阵
n：可选，代表要执行几次差值
axis：默认是最后一个
a1 = np.array([1,2,4,8,10])
np.diff(a1) #后一个元素减去前一个元素，生成新的元素
array([1, 2, 4, 2])
3、数组的连续元素之间的差异。
函数ediff1d(ary, to_end=None, to_begin=None)，ary为需要统计的集合对象；to_end可选，在返回的差异结束时追加的数字（或集合元素）；to_begin，返回差异开头前的数字。
d1 = np.array([1,2,4,8,3])
np.ediff1d(d1) #只有arr参数 情况下,后一元素减去前一元素产生新元素
array([ 1, 2, 4, -5])
np.ediff1d(d1,to_begin=[0,0],to_end=10) #增加to_end,to_begin参数情况下
array([ 0, 0, 1, 2, 4, -5, 10])
4、梯度计算
函数gradient(f)，f为需要计算的集合对象
g1 = np.array([1,3,5,7,10,15])
np.gradient(g1) #对一维数组元素进行梯度计算
array([2. , 2. , 2. , 2.5, 4. , 5. ])
g2 = np.arange(9).reshape((3,3))
np.gradient(g2) #对二维数组的顺序元素进行计算
[array([[3., 3., 3.],
[3., 3., 3.],
[3., 3., 3.]]),
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])]
5、使用复合梯形规则沿给定轴积分
np.trapz([[1,2,3],[4,5,6]],axis=1) #以行为单位进行积分
array([ 4., 10.])
2)、排序
函数sort(a, axis=-1)，a为需要统计的集合对象，axis=0以列为单位进行排序，axis=1以行为单位进行排序.
a1 = np.array([[100,0,45],[12,89,35],[50,40,60]])
np.sort(a1,axis=1) #按行为单位进行排序
array([[ 0, 45, 100],
[ 12, 35, 89],
[ 40, 50, 60]])
a1.sort(axis=0) #用数组方法sort()排序,改变原有数组
a1
array([[ 12, 0, 35],
[ 50, 40, 45],
[100, 89, 60]])
3)、将数值替换到数组指定位置
1、根据条件和输入值更改数组的元素
函数place(arr, mask, vals)，arr为数组对象，mask为符合条件的逻辑表达式，vals为需要插入的标量或集合对象。等价于putmask ()函数的用法和功能。
p1 = np.array([[1,8,10],[2,7,9],[11,23,33]])
np.place(p1,p1>10,[0,1]) #对于数组里元素大于10的依次用
#0，1代替place()的计算结果直接改变了数组p1的元素值,而非产生临时新数组
p1
array([[ 1, 8, 10],
[ 2, 7, 9],
[ 0, 1, 0]])
2、用给定值替换数组的指定元素.
函数put(a, ind, v, mode=‘raise’)，a为需要替换的数组对象，ind为替换顺序下标位置，v为提供可以替换数值的集合对象
p2 = np.ones(9).reshape((3,3))
np.put(p2,[3,4,5],0) #ind为p2的顺序下标3,4,5,替换值0
p2
array([[1., 1., 1.],
[0., 0., 0.],
[1., 1., 1.]])
3、通过指定axis和花式索引将值放入目标数组.
函数put_along_axis(arr, indices, values, axis)，arr为需要替换的数组对象，indices花式索引（见3.3.3节）确定需要替换的下标范围，values为提供的可以替换的数值或集合。上述四个参数为必选项。
p3 = np.ones(9).reshape((3,3))
np.put_along_axis(p3,np.array([[1],[1],[1]]),0,axis=1)
p3
array([[1., 0., 1.],
[1., 0., 1.],
[1., 0., 1.]])
4、填充任何维度的给定数组的主对角线.
函数fill_diagonal(a, val, wrap=False)，a至少是2维数组，val为主对角线上需要填写的数值。
z1 = np.zeros(9).reshape((3,3))
np.fill_diagonal(z1,5)
z1
array([[5., 0., 0.],
[0., 5., 0.],
[0., 0., 5.]])
4)、增加和删除行（列）
**1、删除数组行（列）元素
函数delete(arr, obj, axis=None)，arr为数组对象，obj为下标切片、下标标量、下标列表、下标整数数组，axis=None默认值，删除后的新数组为一维数组，在axis=1的情况下，保留元素按照行方向形成新数组；在axis=0的情况下，保留元素按照列方向形成新数组。
（1）下标切片删除
d = np.arange(9).reshape((3,3))
np.delete(d,np.s_[:2],axis=1) #在行方法上，删除d数组的1,2列
array([[2],
[5],
[8]])
d = np.arange(9).reshape((3,3))
np.delete(d,np.s_[:2],axis=0) #在列方向上，删除d数组的1,2行
array([[6, 7, 8]])
（2）指定下标数删除
（3）指定下标数组删除
