算术运算符

数组上的算术运算符应用于元素。

创建一个新数组并填充结果。

>>> a = np.array([6,7,8,9])
>>> b = np.arange(4)
>>> c = a-b
>>> c
array([6, 6, 6, 6])
>>> b
array([0, 1, 2, 3])
>>> b**2
array([0, 1, 4, 9])
>>> b = 3.5中）或点函数或方法执行：

a = np.array([[0,1], [2,3]])
b = np.array([[2,3], [4,5]])
a * b # 对应元素直接做乘法
array([[ 0, 3],
[ 8, 15]])
a @ b # 矩阵运算
array([[ 4, 5],
[16, 21]])
a.dot(b)
array([[ 4, 5],
[16, 21]])

# 修改数组的值

某些操作（例如 `+=` 和 `*=`）用于修改现有数组而不是创建新数组

a = np.ones((2,3), dtype=int)
a
array([[1, 1, 1],
[1, 1, 1]])
a *= 3
a
array([[3, 3, 3],
[3, 3, 3]])

b = np.random.random((2,3))
b
array([[0.69130364, 0.78987813, 0.54995678],
[0.72684798, 0.60646457, 0.87405791]])

b += a
b
array([[3.69130364, 3.78987813, 3.54995678],
[3.72684798, 3.60646457, 3.87405791]])
a += b
Traceback (most recent call last):
File "", line 1, in
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'

这其实和普通的语言中丢失精度是一样的道理。

# 向上转型

当使用不同类型的数组进行操作时，结果数组的类型对应于更一般或更精确的数组（称为向上转换的行为）。

a = np.ones(3, dtype=np.int32)
a
array([1, 1, 1], dtype=int32)
b = np.linspace(0,pi,3)
b
array([0. , 1.57079633, 3.14159265])
b.dtype.name
'float64'

c = a+b
c
array([1. , 2.57079633, 4.14159265])
c.dtype.name
'float64'

d = np.exp(c*1j)
d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])
d.dtype.name
'complex128'

# 一元操作

许多一元操作，例如计算数组中所有元素的总和，都是作为ndarray类的方法实现的。

a = np.random.random((2,3))
a.sum()
3.5360788979749973
a.min()
0.20503831331878253
a.max()
0.8077413278893076

# 数轴

默认情况下，这些操作适用于数组，就像它是一个数字列表一样，无论其形状如何。 

但是，通过指定axis参数，您可以沿数组的指定轴应用操作：

a = np.arange(12).reshape(3,4)
a
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
a.sum(axis=0) # 每一列的和
array([12, 15, 18, 21])
a.sum(axis=1) # 每一行的和
array([ 6, 22, 38])
a.min(axis=0) # 每一列的最小值
array([0, 1, 2, 3])
a.max(axis=1) # 每一行的最大值
array([ 3, 7, 11])
a.cumsum(axis=0) # cumulative sum along each row
array([[ 0, 1, 2, 3],
[ 4, 6, 8, 10],
[12, 15, 18, 21]])

# 对于函数的学习

函数大概知道有哪些即可，要学会查文档。

更主要的是数学统计学知识，知道有哪些指标。

# 参考资料

[basic-operations](https://docs.scipy.org/doc/numpy/user/quickstart.html#basic-operations)

[均值函数numpy.mean](https://blog.csdn.net/qq_20258087/article/details/79809379)