数组操作

对于Ndarray，常用的操作是迭代。除此之外还有位操作、字符串操作、算数计算、统计、排序等等。下面将选择几个比较常用的操作进行简单介绍。对于其他操作可以参考NumPy的文档，根据需要进行选择。

元素操作

操作数组时最基础的操作当属针对数组内的元素进行增删的操作，Ndarray在增删元素时没有采用Python列表的常用操作，而是提供了一系列的方法来完成相关操作。

numpy.resize(arr, shape)，返回指定大小的新数组，如果新数组较原数组大，则原数组的一部分元素将会被重复以填充空位。
numpy.append(arr, values, axis)，向指定数组的指定轴向上添加元素。
numpy.insert(arr, obj, values, axis)，向指定数组的指定轴向上的指定值之前插入值。如果未提供axis参数，则输入数组会被展开。
numpy.delete(arr, obj, axis)，返回从输入数组中删除指定子数组之后的新数组。

NumPy提供了numpy.nditer()函数用来创建一个多维迭代对象，可以使用Python的迭代操作访问。

如果两个数组都是可广播的，那么nditer组合对象就可以同时迭代它们。

NumPy提供了以下针对Ndarray的常用变换操作。

numpy.reshape(arr, newshape, order)，不改变数据的条件下修改形状。
- arr参数表示要修改形状的数组；
- newshape参数表示用于描述新形状的整数或者整数数组；
- order参数表示元素在内存中的出现顺序，可取'C'、'F'、'A'。
ndarray.flat，数组上的一维迭代器。
ndarray.flatten(order)，返回折叠为一维的数组副本。
numpy.ravel(arr, order)，返回连续的展开数组。
numpy.transpose(arr, axes)，翻转数组维度。
- axes接受一个整数的列表，用于对应转置的维度。
numpy.rollaxis(arr, axis, start)，向后滚动指定轴。
- axis参数表示要向后滚动的轴，其他轴的相对位置不会改变；
- start参数表示滚动到的特定位置。
numpy.swapaxes(arr, axis1, axis2)，互换数组的两个轴。
- axis1参数表示第一个轴；
- axis2参数表示第二个轴。
numpy.broadcast(arr1, arr2)，产生模仿广播的对象。
- arr1参数表示广播来源；
- arr2参数表示广播接收目标。
numpy.broadcast_to(arr, shape, subok)，将数组广播到新形状。
numpy.expand_dims(arr, axis)，扩展数组的形状。
- axis表示新轴插入的位置。
numpy.squeeze(arr, axis)，从数组的形状中删除一个维度。
- axis表示要删除的维度，接收一个整数或者一个整数列表。

对于数组的连接，NumPy也提供了常用的几种连接方法来将多个数组连接成为一个新的数组。这里需要注意的是Ndarray是一个多维数组，在进行数据连接时需要关注连接的轴向。

数组之间可以进行连接，那么也可以对一个数组进行拆分。对于数组的拆分，Numpy只提供了一个函数来实现拆分功能，另有两个衍生的快捷拆分函数，只是节省了拆分轴向的指定。

numpy.split(arr, indices, axis)，沿指定轴向将数组分隔为子数组，返回数组列表。
- indices可以是整数，表示要拆分成的等大小子数组数量；也可以是一维整数数组，表示进行切割的索引位置。
numpy.hsplit(arr, indices)，水平切割数组。
numpy.vsplit(arr, indices)，竖直切割数组。

NumPy的算数运算功能与Python标准库中math库的一部分功能是存在重复的，可以根据喜好来使用。但是需要注意的是NumPy中提供的运算功能都是可以直接应用于Ndarray并且直接返回逐元素处理后的Ndarray的，这是Python标准库所不能企及的。

全部标准三角函数。
numpy.around(arr, decimal)，逐元素进行四舍五入，decimal参数表示要保留的小数位数。
numpy.floor(arr)，逐元素返回不大于输入参数的最大整数。
numpy.ceil(arr)，逐元素返回输入值的上限整数。
numpy.add(arr1, arr2)、numpy.subtract(arr1, arr2)、numpy.multiply(arr1, arr2)、numpy.divide(arr1, arr2)，加减乘除运算，要求输入的数组必须具有相同的形状或者符合数组广播规则。
numpy.reciprocal(arr)，返回逐元素的倒数。
numpy.power(arr, pow)，返回以逐元素为底数，pow为指数的幂。
numpy.mod(arr1, arr2)，返回两个数组逐元素相除的余数。

作为数据计算的扩展库，NumPy必然也提供了全面的统计计算功能。这里对常用的一些统计功能进行列举，具体这些统计功能的实际用途与意义还需要参考专门的统计类书籍。

numpy.amin(arr, axis)，沿指定轴向返回最小值。
numpy.amax(arr, axis)，沿指定轴向返回最大值。
numpy.ptp(arr, axis)，沿指定轴向返回值的范围。
numpy.percentile(arr, q, axis)，百分位数是统计中使用的度量，表示将数组从小到大排序，并将样本值区间划分为100等分，某一百分位所对应的数据就成为这一百分位的百分位数。q值表示要计算的百分位数。
numpy.median(arr, axis)，获取将数组的上半部分与下半部分分开的中值。
numpy.mean(arr, axis)，获取数组的算术平均值。
numpy.average(arr, weights, returned, axis)，计算数组的加权平均值，其中weights是与数组相同长度用于表示数组元素权重的权重数组。returned参数用于指示是否返回权重的和。
numpy.std(arr, axis)，计算标准差，即\(\sigma=\sqrt{\frac{\sum_{i=1}^{N}(x_{i}-\overline{x})^{2}}{N}}\)。
numpy.var(arr, axis)，计算方差，即\(\sigma^{2}=\frac{\sum_{i=1}^{N}(x_{i}-\overline{x})^{2}}{N}\)。

排序也是对数组中的元素经常要做的一种操作，NumPy提供了三种排序算法可供使用，这三种算法都具有不同的性能和稳定性。

NumPy提供了以下排序函数来对数组进行排序。

搜索是NumPy中较为神奇的一个功能。Ndarray可以使用numpy.where()函数返回的索引序列来获取满足条件的元素，并形成一个新的Ndarray。

numpy.where()接受一个布尔表达式来形成索引序列。具体可见以下示例。

import numpy as np
arr = np.arange(9.)
condi = np.where(arr > 3)
print(arr[condi])
# 以下使用索引的语法也可以达到同样的效果
print(arr[arr > 3])