1、exp、自然常数e为底的指数函数

numpy.exp()：返回e的幂次方，e是一个常数为2.71828

import numpy as np
a = 1
print np.exp(a)
a = 2
print np.exp(a)
#  结果:
2.71828182846
7.38905609893

2、np.power指数运算

power(x1, x2, /, out=None, *, 
      where=True, casting=‘same_kind’, 
      order=‘K’, dtype=None, 
      subok=True[, signature, extobj]
     )

幂运算（指数运算），对x1中的元素进行x2中元素次幂的计算。

• x1 : array_like，底数
• x2 : array_like，指数

mport numpy as np

result = np.power([-2, -1, 0, 1, 2], 3)
                # [-8  -1  0  1  8]
result = np.power([-2, -1, 0, 1, 2], [3, 3, 3, 3, 3])
                # [-8  -1  0  1  8]

result = np.power([-2, -1, 0, 1, 2], [0, 1, 2, 3, 4])
                # [ 1  -1  0  1 16]

result = np.power([-2, -1, 0, 1, 2], np.array([[0, 1, 2, 3, 4], [0, 0, 0, 0, 0]]))
"""
                 [[ 1  -1  0  1 16]
                  [ 1   1  1  1  1]
                ]
"""


result = np.power([-2, -1, 0, 1, 2], np.array([[0, 1, 2, 3, 4], [0, 2, 0, 0, 2]]))
"""
                 [[ 1  -1  0  1 16]
                  [ 1   1  1  1  4]
                 ]
"""

3、对数运算

np.log(x)  #就是数学中的ln(x)
np.log2(x)
np.log10(x)

4、sqrt() 元素的开方

import numpy as np
B = np.arange(3)
print (np.sqrt(B))  # B里每个元素的开方

5、通用判断函数

np.all()
# 判断前两名同学的成绩[0:2, :]是否全及格
np.all(score[0:2, :] > 60)
False

np.any()
判断前两名同学的成绩[0:2, :]是否有大于90分的
np.any(score[0:2, :] > 80)

6、三元运算符

np.where()
# 判断成绩数据中大于60的置为1，否则为0
temp = score[:4, :4]
np.where(temp > 60, 1, 0)
# 复合逻辑需要结合np.logical_and和np.logical_or使用

# 判断大于60且小于90的换为1，否则为0
np.where(np.logical_and(temp > 60, temp < 90), 1, 0)
# 判断大于90或小于60的换为1，否则为0
np.where(np.logical_or(temp > 90, temp < 60), 1, 0)

7、去重

    drop_duplicates()删除重复的行，返回的是删除重后的df

DataFrame.drop_duplicates(subset=None, keep='first', inplace=False)
"""
参数：
subset是用来指定特定的列，默认为所有列

keep
当keep='first'时，就是保留第一次出现的重复行，其余删除
当keep='last'时，就是保留最后一次出现的重复行，其余删除
当keep=False时，就是删除所有重复行

inplace是指是否直接在原数据上进行修改，默认为否
"""

7、 常用统计指标

median(a, axis)      # 中位数
Compute the median along the specified axis.
mean(a, axis, dtype) # 均值
Compute the arithmetic mean along the specified axis. 
std(a, axis, dtype)  # 标准差
Compute the standard deviation along the specified axis.
var(a, axis, dtype)  # 方差
Compute the variance along the specified axis.
np.argmax(axis=)     # 最大元素对应的下标
np.argmin(axis=)     # 最小元素对应的下标

num1 = np.array([[1,2,3],[2,3,4],[3,4,5],[4,5,6]])
num2 = np.mat(num1)
print(num2)
print(type(num2))
print(np.mean(num2))  # 对所有元素求均值
print(np.mean(num2,0)) # 对各列求均值

np.mat()     # 函数用于将输入解释为矩阵。
np.matrix()  # 函数用于从类数组对象或数据字符串返回矩阵。
np.array()   # 函数用于创建一个数组。

8、参考

1. numpy指数运算_51CTO博客
2. numpy数组运算：向量化运算、矩阵运算 
3. np.mat()、np.matrix()、np.array()函数解析（最清晰的解释）