为了简单起见，这里假设下述函数输入的数组都是一维的。
【a】where
where是一种条件函数，可以指定满足条件与不满足条件位置对应的填充值：
a = np.array([-1,1,-1,0]) np.where(a>0, a, 5) # 对应位置为True时填充a对应元素，否则填充5
array([5, 1, 5, 5])
【b】nonzero, argmax, argmin
这三个函数返回的都是索引，nonzero返回非零数的索引，argmax, argmin分别返回最大和最小数的索引：
a = np.array([-2,-5,0,1,3,-1]) np.nonzero(a)
(array([0, 1, 3, 4, 5], dtype=int64),)
a.argmax()
4
a.argmin()
1
【c】any, all
any指当序列至少 存在一个 True或非零元素时返回True，否则返回False
all指当序列元素 全为 True或非零元素时返回True，否则返回False
a = np.array([0,1]) a.any()
True
a.all()
False
【d】cumprod, cumsum, diff
cumprod, cumsum分别表示累乘和累加函数，返回同长度的数组，diff表示和前一个元素做差，由于第一个元素为缺失值，因此在默认参数情况下，返回长度是原数组减1
a = np.array([1,2,3]) a.cumprod()
array([1, 2, 6], dtype=int32)
a.cumsum()
array([1, 3, 6], dtype=int32)
np.diff(a)
array([1, 1])
【e】 统计函数
常用的统计函数包括max, min, mean, median, std, var, sum, quantile，其中分位数计算是全局方法，因此不能通过array.quantile的方法调用：
target = np.arange(5) target
array([0, 1, 2, 3, 4])
target.max()
4
np.quantile(target, 0.5) # 0.5分位数
2.0
但是对于含有缺失值的数组，它们返回的结果也是缺失值，如果需要略过缺失值，必须使用nan*类型的函数，上述的几个统计函数都有对应的nan*函数。
target = np.array([1, 2, np.nan]) target
array([ 1., 2., nan])
target.max()
nan
np.nanmax(target)
2.0
np.nanquantile(target, 0.5)
1.5
对于协方差和相关系数分别可以利用cov, corrcoef如下计算：
target1 = np.array([1,3,5,9]) target2 = np.array([1,5,3,-9]) np.cov(target1, target2)
array([[ 11.66666667, -16.66666667], [-16.66666667, 38.66666667]])
np.corrcoef(target1, target2)
array([[ 1. , -0.78470603], [-0.78470603, 1. ]])
最后，需要说明二维Numpy数组中统计函数的axis参数，它能够进行某一个维度下的统计特征计算，当axis=0时结果为列的统计指标，当axis=1时结果为行的统计指标：
target = np.arange(1,10).reshape(3,-1) target
array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
target.sum(0)
array([12, 15, 18])
target.sum(1)
array([ 6, 15, 24])
