01 将条件逻辑作为数组操作
numpy.where函数是三元表达式x if condition else y的向量化版本。
例如：
我们有一个条件和两个数组。
import numpy as np
xarr = np.array([1.1,1.2,1.3,1.4,1.5])
yarr = np.array([2.1,2.2,2.3,2.4,2.5])
cond = np.array([True,False,True,True,False])
# 当cond元素为真时，取xarr中的元素，否则取yarr中的元素
result = np.where(cond,xarr,yarr)
print(result)
结果如下：
numpy.where的第二个和第三个参数并不需要是数组，也可以是标量。
where在数据分析中的典型用法是根据一个数组来生成一个新的数组。
假设你有一个随机生成的矩阵数据，并且想把所有大于0.5都替换成1，小于0.5都替换成为0，使用np.where很容易实现。
arr = np.random.rand(4,4)
print(arr)
result1 = np.where(arr > 0.5, 1, 0)
print(result1)
输出如下：
02 数学和统计方法
图中列出了全部的基本数组统计方法：
mean、sum等函数可以接受一个可选参数axis，这个参数可以用于计算给定轴向上的统计值，形成一个下降一维度的数组。
像cumsum、cumprod并不会聚合，但会产生一个中间结果。
03 布尔值数组的方法
布尔值会被强制为1（TRUE）和0（FALSE）。因此sum通常可以用于计算布尔值数组的TRUE的个数。
arr_sum = np.random.randn(100)
print("大于0.5的值有{0}个".format((arr_sum > 0.5).sum()))
结果如下：
对于布尔值数组，有两个常用方法any和all。
any检查数组中是否至少有一个True，而all检查是否每个值都为True。
04 排序
NumPy数组可以使用sort方法按位置排序。
NumPy 提供了多种排序的方法。 这些排序函数实现不同的排序算法，每个排序算法的特征在于执行速度，最坏情况性能，所需的工作空间和算法的稳定性。 下表显示了三种排序算法的比较。
05 唯一值与其他集合逻辑
NumPy常用的一个方法是：np.unique。
该方法返回的是数组中唯一值排序后形成的数组。
np.in1d可以检查一个数组中的值是否存在于另外一个数组中，并返回一个布尔值数组。
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
# 返回唯一值排序后的结果
print(np.unique(names))
values = np.array([6, 0, 0, 3, 2, 5, 6])
# 检查一个数组是否存在于另外一个数组中。
print(np.in1d(values, [2, 3, 6]))
结果如下：
