4. 均值和方差：

• numpy.sum(a, axis=None, dtype=None, out=None, keepdims=False)：计算a在指定轴上的和
• numpy.prod(a, axis=None, dtype=None, out=None, keepdims=False)：计算a在指定轴上的乘积
• numpy.median(a[, axis, out, overwrite_input, keepdims]):计算a在指定轴上的中位数（如果有两个，则取这两个的平均值）
• numpy.average(a[, axis, weights, returned]):计算a在指定轴上的加权平均数
• numpy.mean(a[, axis, dtype, out, keepdims]) :计算a在指定轴上的算术均值
• numpy.std(a[, axis, dtype, out, ddof, keepdims]):计算a在指定轴上的标准差
• numpy.var(a[, axis, dtype, out, ddof, keepdims]) :计算a在指定轴上的方差。方差有两种定义：
  • 偏样本方差biased sample variance。计算公式为 （ 为均值）：
  • 无偏样本方差unbiased sample variance。计算公式为 （ 为均值）： 当ddof=0时，计算偏样本方差；当ddof=1时，计算无偏样本方差。默认值为 0。当ddof为其他整数时，分母就是N-ddof。
• numpy.nanmedian(a[, axis, out, overwrite_input, ...]) :计算a在指定轴上的中位数，忽略NaN
• numpy.nanmean(a[, axis, dtype, out, keepdims]) :计算a在指定轴上的算术均值，忽略NaN
• numpy.nanstd(a[, axis, dtype, out, ddof, keepdims]):计算a在指定轴上的标准差，忽略NaN
• numpy.nanvar(a[, axis, dtype, out, ddof, keepdims]) :计算a在指定轴上的方差，忽略NaN

5. 相关系数：

• numpy.corrcoef(x[, y, rowvar, bias, ddof]) : 返回皮尔逊积差相关
• numpy.correlate(a, v[, mode]) ：返回两个一维数组的互相关系数
• numpy.cov(m[, y, rowvar, bias, ddof, fweights, ...])：返回协方差矩阵

6. 直方图：

• numpy.unique(ar, return_index=False, return_inverse=False, return_counts=False)：返回ar中所有不同的值组成的一维数组。如果ar不是一维的，则展平为一维。
  • return_index：如果为True，则同时返回这些独一无二的数值在原始数组中的下标
  • return_inverse：如果为True，则返回元素数组的值在新返回数组中的下标（从而可以重建元素数组）
  • return_counts：如果为True，则返回每个独一无二的值在原始数组中出现的次数
• numpy.histogram(a, bins=10, range=None, normed=False, weights=None, density=None):计算一组数据的直方图。如果a不是一维的，则展平为一维。bins指定了统计的区间个数（即统计范围的等分数）。range是个长度为2的元组，表示统计范围的最小值和最大值（默认时，表示范围为数据的最小值和最大值）。当density为False时，返回a中数据在每个区间的个数；否则返回a中数据在每个区间的频率。weights设置了a中每个元素的权重，如果设置了该参数，则计数时考虑权重。它返回的是一个元组，第一个元素给出了每个直方图的计数值，第二个元素给出了直方图的统计区间的从左到右的各个闭合点 （比计数值的数量多一个）。
  • normed：作用与density相同。该参数将被废弃
  • bins也可以为下列字符串，此时统计区间的个数将通过计算自动得出。可选的字符串有：'auto'、'fd'、'doane'、'scott'、'rice'、'sturges'、'sqrt'
• numpy.histogram2d(x, y, bins=10, range=None, normed=False, weights=None) ：计算两组数据的二维直方图
• numpy.histogramdd(sample, bins=10, range=None, normed=False, weights=None) ：计算多维数据的直方图
• numpy.bincount(x[, weights, minlength])：计算每个数出现的次数。它要求数组中所有元素都是非负的。其返回数组中第i个元素表示：整数i在x中出现的次数。要求x必须一维数组，否则报错。weights设置了x中每个元素的权重，如果设置了该参数，则计数时考虑权重。minlength指定结果的一维数组最少多长（如果未指定，则由x中最大的数决定）。
• numpy.digitize(x, bins, right=False) ：离散化。如果x不是一维的，则展平为一维。它返回一个数组，该数组中元素值给出了x中的每个元素将对应于统计区间的哪个区间。区间由bins这个一维数组指定，它依次给出了统计区间的从左到右的各个闭合点。right为True，则表示统计区间为左开右闭合(]；为False，则表示统计区间为左闭合右开[)

注意：matplotlib.pyplot也有一个建立直方图的函数（hist(...)），区别在于matplotlib.pyplot.hist(...)函数会自动绘直方图，而numpy.histogram仅仅产生数据