1 逻辑运算

# 生成10名同学，5门功课的数据
>>> score = np.random.randint(40, 100, (10, 5))
# 取出最后4名同学的成绩，用于逻辑判断
>>> test_score = score[6:, 0:5]
# 逻辑判断, 如果成绩大于60就标记为True 否则为False
>>> test_score > 60
array([[ True,  True,  True, False,  True],
       [ True,  True,  True, False,  True],
       [ True,  True, False, False,  True],
       [False,  True,  True,  True,  True]])
# BOOL赋值, 将满足条件的设置为指定的值-布尔索引
>>> test_score[test_score > 60] = 1
>>> test_score
array([[ 1,  1,  1, 52,  1],
       [ 1,  1,  1, 59,  1],
       [ 1,  1, 44, 44,  1],
       [59,  1,  1,  1,  1]])

2 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)
  True

  3 np.where（三元运算符）

  通过使用np.where能够进行更加复杂的运算

• np.where()

  # 判断前四名学生,前四门课程中，成绩中大于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 ```python

  判断前四名学生,前四门课程中，成绩中大于60且小于90的换为1，否则为0

  np.where(np.logical_and(temp > 60, temp < 90), 1, 0)

判断前四名学生,前四门课程中，成绩中大于90或小于60的换为1，否则为0

np.where(np.logical_or(temp > 90, temp < 60), 1, 0) ```

4 统计运算

axis 轴的取值并不一定，Numpy中不同的API轴的值都不一样，在这里，axis 0代表列, axis 1代表行去进行统计

4.1 统计指标

• min(a, axis)
  • 求最小值
• max(a, axis])
  • 求最大值
• median(a, axis)
  • 求中位数
• mean(a, axis, dtype)
  • 求平均值
• std(a, axis, dtype)
  • 求均方差
• var(a, axis, dtype)
  • 求方差