NumPy 的底牌

# 来源：NumPy Cookbook 2e Ch11np.random.seed(44) a = np.random.random_integers(-4, 4, 7) print(a) # [ 0 -1 -3 -1 -4  0 -1]# ufunc 的 at 方法可以对数组元素部分调用np.sign.at(a, [2, 4]) print(a) # np.sign.at(a, [2, 4]) print(a) np.random.seed(20) a = np.random.random_integers(0, 7, 9) print(a) # [3 2 7 7 4 2 1 4 3] # partition 仅仅排序所选位置# 也就是说 a 中下标为 4 的元素在排序后的位置# 其它的不保证print(np.partition(a, 4)) # [2 3 1 2 3 7 7 4 4]np.random.seed(46) a = np.random.randn(30) estimates = np.zeros((len(a), 3))# nanmean nanvar 和 nanstd 可以用于计算# 排除 NaN 值的均值、方差和标准差for i in xrange(len(a)):    # 依次把 a[i] 设为 NaN    # 计算均值、方差和标准差    b = a.copy()    b[i] = np.nan    estimates[i,] = [np.nanmean(b), np.nanvar(b), np.nanstd(b)]print("Estimator variance", estimates.var(axis=0))# Estimator variance [ 0.00079905  0.00090129  0.00034604]# full 创建纯量数组# full(size, val) 等价于 ones(size) * valprint(np.full((1, 2), 7)) # array([[ 7.,  7.]])print(np.full((1, 2), 7, dtype=np.int)) array([[7, 7]])a = np.linspace(0, 1, 5) print(a) # array([ 0.  ,  0.25,  0.5 ,  0.75,  1.  ]) # full_like 接受数组，并取形状# full_like(arr, val) 等价于 ones(arr.shape) * valprint(np.full_like(a, 7)) # array([ 7.,  7.,  7.,  7.,  7.])print(np.full_like(a, 7, dtype=np.int)) # array([7, 7, 7, 7, 7])

np.random.choice 随机选取

# 取 400 个随机数，满足 B(5, 0.5)N = 400 np.random.seed(28) data = np.random.binomial(5, .5, size=N) # 从随机数中随机取 400x30 个值# 等价于选取 Nx30 次# 每次使用 randint(0, len(data)) 来生成下标bootstrapped = np.random.choice(data, size=(N, 30)) # 计算每列的均值means = bootstrapped.mean(axis=0) # 绘制盒图（包含最大值、最小值、中位数、两个四分位数）plt.title('Bootstrapping demo') plt.grid() plt.boxplot(means) plt.plot(3 * [data.mean()], lw=3, label='Original mean') plt.legend(loc='best') plt.show()

datetime64 类型

import numpy as np# 由年月日构造print(np.datetime64('2015-05-21')) # numpy.datetime64('2015-05-21')# 去掉横杠print(np.datetime64('20150521')) # 由年月构造print(np.datetime64('2015-05')) # numpy.datetime64('20150521') # numpy.datetime64('2015-05')# 由日期和时间构造local = np.datetime64('1578-01-01T21:18') print(local) # numpy.datetime64('1578-01-01T21:18Z')# 可以带上偏移with_offset = np.datetime64('1578-01-01T21:18-0800') print(with_offset) # numpy.datetime64('1578-01-02T05:18Z')# datetime64 作差会生成 timedelta64print(local - with_offset)# numpy.timedelta64(-480,'m')