转载：https://www.cnblogs.com/xinchrome/p/5043480.html
一、数组方法
创建数组：arange()创建一维数组；array()创建一维或者多维数组，其参数是类似于数组的对象，如列表等。
反过来转换(数组转化为列表)则可以使用numpy.ndarray.tolist()函数，如a.tolist()
创建数组：np.zeros((2,3)) (数组中元素全为0) 或者np.ones(()) （数组中元素全为1）参数是一个元组分别表示行数和列数
对应元素相乘，a*b，得到一个新的矩阵，形状要一致；但是允许a是向量而b是矩阵，a的列数必须等于b的列数，a的每个行向量与对应元素相乘得到行向量。（a，b若为矩阵，左矩阵的列数和右矩阵的行数必须相等才能相乘）
数学上定义的矩阵乘法np.dot(a,b)。如果形状不匹配会报错；但是允许a和b都是向量，返回两个向量的内积。只要有一个参数不是不是向量，就应用矩阵的乘法。（PS：总之向量元素很特殊，在运算中自由转置而不会出错，运算返回值如果纬度为1，也一律用行向量[]表示。
读取数组元素：a[0],a[0,0]
数组变形：如b=a.reshape(2,3,4)将原数组变为2*3*4的三维数组；或是a.reshape(2,3,4)或a.reszie(2,3,4)直接改变数组a的形状
数组组合：水平组合hstack((a,b)或concatenate((a,b),axis=1);垂直组合vstack((a,b))或者concatenate((a,b),axis=0)；深度组合dstcak((a,b)) #将一系统数组沿着纵轴方向进度层叠组合
#深度组合
In [6]: a=np.arange(9).reshape(3,3)
In [7]: a
Out[7]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
In [8]: b=2*a
In [9]: b
Out[9]:
array([[ 0, 2, 4],
[ 6, 8, 10],
[12, 14, 16]])
In [10]: c=np.dstack((a,b))
In [11]: c
Out[11]:
array([[[ 0, 0],
[ 1, 2],
[ 2, 4]],
[[ 3, 6],
[ 4, 8],
[ 5, 10]],
[[ 6, 12],
[ 7, 14],
[ 8, 16]]])数组分割：与数组组合相反，分别有hsplit，vsplit，dsplit，split（split与concatenate相对应）
将np数组变为py列表：a.tolist()
数组排序（小到大）：列排序np.msort(a)，行排序np.sort()，np.argsort(a)排序后返回下标
复数排序：np.sort_complex(a)按先实部后虚部排序
数组的插入：np.searchsorted(a,b)将b插入原有序数组a，并返回插入元素的索引值
类型转换：a.astype(int)，np的数据类型比py丰富，且每种类型都有转换方法
条件查找：np.where（条件）返回满足数组元素的索引值
条件查找：np.argwhere（条件）返回下标
条件查找：np.([条件]，a)返回满足条件的数组元素
根据b中的元素作为索引，查找a中对应的元素：np.take(a,b)一维
数组中最大最小元素的索引：np.argmax(a);np.argmin(a)
多个数组的对应位置上元素大小的比较：np.maximum(a,b,c....)返回每个索引位置上的最大值，np.minimum(a,b,c...)相反
将a中元素都置为b：a.fill(b)
每个数组元素的指数：np.exp(a)
生成等差行向量：如np.linspace(1,6,10)则得到1到6之间的均匀分布，总共返回10个数
求余：np.mod(a,n)相当于a%n，np.fmod(a,n)仍为求余且余数的正负由a决定
计算平均值：np.mean(a)
计算最大值：np.max(a,axis=None, out=None, keepdims=False)返回数组的最大值#axis：默认为列向（也即 axis=0），axis = 1 时为行方向的最值
计算加权平均值：np.average(a,b),其中b是权重
计算数组的极差：np.pth(a)=max(a)-min(a)
计算方差（总体方差）：np.var(a)
计算标准差：np.std(a)
算数平方根，a为浮点数类型：np.sqrt(a)
对数：np.log(a)
修剪数组，将数组中小于x的数均换位x，小于y的数均换为y：a.clip(x,y)
所有数组元素乘积：a.prod()
数组元素的累积乘积：a.cumprod()
数组元素的符号:np.sign(a),返回数组中各元素的正负符号，用1和-1表示
数组元素分类：np.piecewise(a,[条件],[返回值]），分段给定取值，根据判断条件给元素分类，并返回设定的返回值
判断两数组是否相等：np.array_equal(a,b)
判断数组元素是否为实数：np.isreal(a)
去除数组中收尾为零的元素：np.trim_zeros(a)
对浮点数取整，但不改变浮点数类型：np.rint(a)
二、数组属性
1.获取数组每一维度的大小：a.shape
2.获取数组维度：a.ndim
3.元素个数：a.size
4.数组元素在内存的字节数：a.itemsize
5.数组字节数：a.nbytes==a.size*a.itemsize
6.数组元素覆盖：a.flat=1,则a中数组元素都被1覆盖
7.数组转置：a.T
数组不能求逆，求协方差、迹等，不适用于复杂科学计算，可以将array转换成matrix
三、矩阵方法
创建矩阵：np.mat('....')通过字符串格式创建，np.mat(a)通过array数组创建，也可用matrix或bmat函数创建
matrix不会自动转换行列向量，matrix的所有默认运算都是数学上的矩阵运算，除非用mutiply函数实现点乘
创建复合矩阵：np.bmat('A B','AB')用A和B创建复合矩阵AB（字符串格式）
创建n*n维单位矩阵：np.eye(n)
矩阵的转置：A.T
矩阵的逆矩阵：A.I
计算协方差矩阵：np.cov(x) ，np.cov(x,y)
计算矩阵的迹（对角线元素之和）：a.trace()
相关系数：np.corrcoef(x,y)
给出对角线元素：a.diagonal()
四、线性代数
估计线性模型中的系数a=np.linalg.lstsq(x,b)，有b=a*x
求方阵的逆矩阵：np.linalg.inv(A)
求广义逆矩阵：np.linalg.pinv(A)
求矩阵的行列式： np.linalg.det(A)
解形如AX=b的线性方程组：np.linalg.solve(A,b)
求矩阵的特征值：np.linalg.eigvals(A)
求特征值和特征向量：np.linalg.eig(A)
五、概率分布
产生二项分布的随机数：np.random.binomial(n,p,size=...),其中n、p、size分别是每轮实验次数、概率、轮数
产生超几何分布随机数：np.random.hypergeometric(n1,n2,n,size=...),其中参数意义分别是物件1总量、物件2总量、每次采样数，实验次数
产生N个正态分布的随机数：np.random.normal(均值，标准差，N)
产生N个对数正态分布的随机数：np.random.lognormal(mean,sigma,N)
六、多项式
多项拟合式：poly=np.polyfit(x,a,n),拟合点集a得到n级多项式，其中x为横轴长度，返回多项式的系数
多项式求导函数np.polyder(poly),返回导函数的系数
得到多项式的n阶导函数：多项式.deriv(m=n)
多项式求根：np.roots(poly)
多项式在某点的值：np.polyval(poly,x[n]),返回poly多项式在横轴点上x[n]上的值
两个多项式做差运算：np.polysub(a,b)
Matpoltlib简单绘图方法
引入简单的绘图的包import matplotlib.pyplot as plt 最后用plt.show()显示图像
基本画图方法：plt.plot(x,y),plt.xlabel('x'),plt.ylabel('y'),plt.title('...')
子图 plt.subplot(abc),其中abc分别表示子图行数、列数、序号
创建绘图组件的顶层容器：fig=plt.figure()
添加子图：ax=fig.add_subplot(abc)
设置横轴上的主定位器：ax.xaxis.set_major_locator(...)
绘制方图：plt.hist(a,b),a为长方形的左横坐标值，b为柱高
绘制散点图：plt.scatter(x,y,c='..',s=..),c表示颜色，s表示大小
添加网格线：plt.grid(True)
添加注释：如ax.annotate('x',xy=xpoint,textcoords='offsetpoints',xytext=(-50,30),arrowprops=dict(arrowstyle='->'))
增加图例：如plt.legend(loc='best',fancybox=True)
对坐标取对数：横坐标plt.semilogx(),纵坐标plt.semilogy(),纵横同时plt.loglog()