数据分析 | Numpy进阶
在职场中不完全是技术，还有其它方面的东西，你应该知道：
本文知识结构图:
回顾：
索引与切片
切片索引Numpy中选取数据子集或者单个元素的方式有很多，一维数组和Pyhon列表的功能差不多,看下图:
数组切片与列表最重要的区别在于：数组切片是原始数组的视图，这就是说数据不会被复制，视图上的任何修改都有会直接反映到源数据上，也就是说视图上的任何修改都有会直接改动到数据源，看下图运行效果:
为什么是这样的？因为Numpy设计初衷就是处理大数据，所以可以想象一下，假如Numpy坚持要将数据复制来复制去的话会产生性能与内存等问题.
tips:如果想得到ndarray切片的一份副本而非视图，就需要显示地进行复制操作，例如下图:
多维数组
注意：直接给元素赋值,返回的数组都有是视图，是直接映射到数据源上，如有改变也会影响到数据源
说明：布尔索引与花式索引不常用,不作讲解!
通用函数运算
运算和数据处理
Numpy数组使你可以将许多种数据处理任务表述为简洁的数据表达式，否则需要编写循环，用数组表达式代替循环的做法通常称为失量化.失量化的运算比普通的Python运算更快.
条件逻辑表述为数组运算
numpy.where函数是三元表达式x if condition else y的失量化版本,np.where的第二个和第三个参数不必是数组，它们都有可以是标量值，在数据分析中where通常用于根据另一个数组而产生一个新的数组,如下:
用于布尔型数组的方法
数据唯一化及集合运算
Numpy提供了一些针对一维ndarray的基本集合运算，最常用的就是np.unique，它用于找出数组中的唯一值并返回已排序的结果:
数组的文件输入输出
Numpy能够读写磁盘上的文本数据或者二进制数据.
将数组以二进制格式保存到磁盘
np.save 和 np.load 是读写磁盘数组数据的两个主要函数,默认情况下，数组是以未压缩的原始二进制格式保存在扩展名为.npy的文件中.
np.savez可以将多个数组保存到一个压缩文件中，将数组以字参数的形式传入
看下图:
线性代数
线性代数是任何数组库的重要组成,Numpy提供了一个用于矩阵乘法的dot函数
numpy.linalg中一组标准的矩阵分解运算，如求逆和行列式之类的东西. 见下章公式
最后
关于Numpy教程当前就做到这里，我下一篇会把整个知识点做一个知识网络图，以上只是Numpy的部分使用，如果单纯演示公式，意义不大。下一章，我把所有的公式补上，方便查阅.
再下一篇是关于Pandas的教程,Numpy深入部分先放一下，等把Pandas教程做完再补上，因为Pandas是对Numpy的进一步补充,等等大家熟悉了Pandas再回头看Numpy高级部分更容易理解.