import numpy as np 
a = np.array([[ 0, 0, 0],
           [10,10,10],
           [20,20,20],
           [30,30,30]])
b = np.array([1,2,3])
a + b

t1 = np.arange(24).reshape(6,4) 
t1+2 
t1*2
t1/2
t1-2

t1 = np.arange(24).reshape((6,4)) 
t2 = np.arange(100,124).reshape((6,4)) 
t1+t2
t1*t2
t1-t2
t1/t2

# 行数不同，列数相同，不能进行算术运算
t1 = np.arange(24).reshape((4,6)) 
t2 = np.arange(18).reshape((3,6)) 
t1
t2 
t1-t2
# 提示什么错误？
# ValueError: operands could not be broadcast together with shapes (4,6) (3,6)
# 行数相同，列数不同，可以进行运算
t1 = np.arange(24).reshape((4,6)) 
t2 = np.arange(4).reshape((4,1)) 
t1-t2

t1 = np.arange(24).reshape((4,6)) 
t2 = np.arange(0,6) 
t1-t2

import numpy
a = np.array([20,30,40,50])
b = np.arange(4)
# 算术运算
c = a - b
c #?
b ** 2 #?
10 * np.sin(a) #?

rg = np.random.default_rng(1)
a = np.ones((2,3),dtype=int)
b = rg.random((2,3))
a*3
a #?
b += a
b #?
a += b

all， any， apply_along_axis， argmax， argmin， argsort， average， bincount， ceil， clip， conj， corrcoef， cov， cross， cumprod， cumsum， diff， dot， floor， inner， invert， lexsort， max， maximum， mean， median， min， minimum， nonzero， outer， prod， re， round， sort， std， sum， trace， transpose， var， vdot， vectorize， where

a = np.array([[1,1],[0,1]])
   b = np.array([[2,0],[3,4]])
   a * b #？
   a @ b #？
   a.dot(b) #？

b = np.arange(3)
np.exp(b)
np.sqrt(b)
c = np.array([2.,-1.,1.41421356])
np.add(b,c) #?

import numpy as np 
score = np.array([[80,88],[82,81],[75,81]]) 
# 1. 获取所有数据最大值 
result = np.max(score) 
# 2. 获取某一个轴上的数据最大值 
result = np.max(score,axis=0) 
# 3. 获取最小值 
result = np.min(score)
# 4. 获取某一个轴上的数据最小值
result = np.min(score,axis=0) 
# 5. 数据的比较 
result = np.maximum([-2, -1, 0, 1, 2], 0) # 第一个参数中的每一个数与第二个参数比较返回大的
result = np.minimum([-2, -1, 0, 1, 2], 0) # 第一个参数中的每一个数与第二个参数比较返回小的
result = np.maximum([-2, -1, 0, 1, 2], [1,2,3,4,5]) # 接受的两个参数，也可以大小一致; 第二个参数只是一个单独的值时，其实是用到了维度的广播机制； 
# 6. 求平均值 
result = np.mean(score) # 获取所有数据的平均值 
result = np.mean(score,axis=0) # 获取某一行或者某一列的平均值
# 7. 返回给定axis上的累计和 
arr = np.array([[1,2,3], [4,5,6]]) 
arr
arr.cumsum(0) 
arr.cumsum(1)
# 8. argmin求最小值索引 
result = np.argmin(score,axis=0) 
result
# 9. 求每一列的标准差 
# 标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；
# 一个较小的标准差，代表这些数据较接近平均值反应出数据的波动稳定情况，越大表示波动越大，越不稳 定。
result = np.std(score,axis=0) 
result 
# 10. 极值 
# np.ptp(t,axis=None)就是最大值和最小值的差 
# 拓展：方差var, 协方差cov, 计算平均值 average, 计算中位数 median

import numpy as np 
a = np.array([[30,40,70],[80,20,10],[50,90,60]])  
a
# 调用 argmax() 函数
np.argmax(a)
# 展开数组：
a.flatten()
# 沿轴 0 的最大值索引
maxindex = np.argmax(a, axis=0)  
maxindex
# 沿轴 1 的最大值索引： 
maxindex = np.argmax(a, axis=1)  
maxindex 
# 调用 argmin() 函数：
minindex = np.argmin(a)  
minindex
# 展开数组中的最小值： 
a.flatten()[minindex]
# 沿轴 0 的最小值索引： 
minindex = np.argmin(a, axis=0)  
minindex
# 沿轴 1 的最小值索引：
minindex = np.argmin(a, axis=1)  
minindex

numpy.char.add() # 函数依次对两个数组的元素进行字符串连接
numpy.char.multiply() # 函数执行多重连接
numpy.char.center() # 函数用于将字符串居中，并使用指定字符在左侧和右侧进行填充
numpy.char.capitalize() # 函数将字符串的第一个字母转换为大写
numpy.char.title() # 函数将字符串的每个单词的第一个字母转换为大写
numpy.char.lower() # 函数对数组的每个元素转换为小写。它对每个元素调用 str.lower
numpy.char.upper() # 函数对数组的每个元素转换为大写。它对每个元素调用 str.upper
numpy.char.split() # 通过指定分隔符对字符串进行分割，并返回数组。默认情况下，分隔符为空格
numpy.char.splitlines() # 函数以换行符作为分隔符来分割字符串，并返回数组
numpy.char.strip() # 函数用于移除开头或结尾处的特定字符
numpy.char.join() # 函数通过指定分隔符来连接数组中的元素或字符串
numpy.char.replace() # 函数使用新字符串替换字符串中的所有子字符串
numpy.char.encode() # 函数对数组中的每个元素调用 str.encode 函数。 默认编码是 utf-8，可以使用标准 Python 库中的编解码器
numpy.char.decode() # 函数对编码的元素进行 str.decode() 解码

numpy.sort(a, axis, kind, order)

import numpy as np  
a = np.array([[3,7],[9,1]])  
a
print ('调用 sort() 函数：')
np.sort(a)
np.sort(a, axis=0)
np.sort(a, axis=1)
# 在 sort 函数中排序字段 
dt = np.dtype([('name',  'S10'),('age',  int)]) 
a = np.array([("raju",21),("anil",25),("ravi",  17),  ("amar",27)], dtype = dt)  
a
np.sort(a, order='name')

np.loadtxt(fname,dtype=np.float,delimiter=None,skiprows=0,usecols=None,unpack=False)

# 创建matrix操作
import numpy as np
arr = np.arange(1, 10).reshape(3, 3)
arr
# 第一种方式
m = np.matrix(arr, copy=True)
m
m.shape
type(m)
# 第二种方式:共享方式
m2 = np.mat(arr)
m2
# 第三种方式
m3 = np.mat("1 2 3;4 5 6.0")
m3

# 矩阵乘法
import numpy as np
arr = np.array([[1, 1, 1],
                [2, 2, 2],
                [3, 3, 3]])
# 数组相乘, 各对应位置元素相乘
arr * arr
# 矩阵相乘，第n行乘m列之和，作为结果的n, m个元素
# 矩阵相乘，第一个矩阵列数必须等于第二个矩阵行数
m = np.mat(arr)
m * m

e = np.mat("1 2 6; 3 5 7; 4 8 9")
print(e.I)
print(e * e.I)

numpy.linalg.LinAlgError: Singular matrix

a = np.array([
    [1, 2, 6],
    [3, 5, 7],
    [4, 8, 9]])
# 点乘法求ndarray的点乘结果，与矩阵的乘法运算结果相同
k = a.dot(a)
k
# linalg模块中的inv方法可以求取a的逆矩阵
l = np.linalg.inv(a)
l

import numpy as np
# 解方程
prices = np.mat('3 3.2; 3.5 3.6')
totals = np.mat('118.4; 135.2')
x = np.linalg.lstsq(prices, totals)[0]  # 求最小二乘解
x
x = np.linalg.solve(prices, totals)  # 求解线性方程的解
x
x = prices.I * totals  # 利用矩阵的逆进行求解
x