一、逻辑运算
当我们要操作符合某一条件的数据时，需要用到逻辑运算
1、运算符
满足条件返回true，不满足条件返回false
# 重新生成8只股票10个交易日的涨跌幅数据
stock_change = np.random.normal(loc=0, scale=1, size=(8, 10))
# 获取前5行前5列的数据
stock_change = stock_change[0:5, 0:5]
# 逻辑判断，如果涨跌幅大于0.5，就标记为true，否则标记为false
stock_change > 0.5
2、布尔索引
想要对布尔数据进行一个统一的操作，相当于是取出数组中为true的所以值，或为false的所有值
# 布尔索引
stock_change[stock_change > 0.5]
二、通用判断函数
1、np.all()
传入一组布尔值，只要有一个false，就返回false，全都是true才返回true
2、np.any()
传入一组布尔值，只要有一个true，就返回true，全都是false才返回false
3、例子
# 判断stock_change是否全是上涨的
np.all(stock_change > 0)
stock_change
# 判断stock_change是否有上涨的
np.any(stock_change > 0)
三、np.where（三元运算符）
1、通过使用np.where能够进行更加复杂的运算
np.where(布尔值, true的位置要设置的值, false的位置要设置的值)
2、例子
# 判断前四个股票前四天的涨跌幅，大于0的置为1，否则为0
temp = stock_change[:4, :4]
temp
np.where(temp > 0, 1, 0)
3、np.logical_and 逻辑与
4、np.logical_or 逻辑或
5、例子
# 判断前四个股票前四天的涨跌幅，大于0.5并且小于1的，置为1，否则置为0
np.where(np.logical_and(temp > 0.5, temp < 1), 1, 0)
# 判断前四个股票前四天的涨跌幅，大于0.5或者小于-0.5的，置为1，否则置为0
np.where(np.logical_or(temp > 0.5, temp < -0.5), 1, 0)
四、统计运算
1、如果想要知道涨幅或者跌幅最大的数据，应该怎么做
2、统计指标函数
np.min(a, axis=None, out=None, keepdims=False)：最小值
np.max(a, axis=None, out=None, keepdims=False)：最大值
np.mean(a, axis=None, out=None, keepdims=False)：平均值
np.median(a, axis=None, out=None, keepdims=False)：中位数
np.var(a, axis=None, out=None, keepdims=False)：方差
np.std(a, axis=None, out=None, keepdims=False)：标准差
3、可以用两种方式调用
np.函数名
ndarray.方法名
4、axis默认为axis=0即列向，如果axis=1即横向
5、例子
# 对于前四个股票前四天数据，进行一些统计运算
print("前四只股票前四天的最大涨幅{}".format(np.max(temp, axis=1)))
print("前四只股票前四天的最大跌幅{}".format(np.min(temp, axis=1)))
print("前四只股票前四天的波动程度{}".format(np.std(temp, axis=1)))
print("前四只骨片前四天的平均涨跌幅{}".format(np.mean(temp, axis=1)))
6、获得最大值最小值的位置（索引）
np.argmax(a, axis)
np.argmin(a, axis)
7、例子
# 获取股票指定哪一天的涨幅最大
print("前四只股票前四天内涨幅最大{}".format(np.argmax(temp, axis=1)))
print("前四天一天内涨幅最大的股票{}".format(np.argmax(temp, axis=0)))
五、数组运算
1、场景
平时成绩占30%，期末成绩占70%，算出最终成绩
2、数组与数的运算
运算符作用到数组中的每一个元素
# 数组与数的运算
arr = np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]])
arr + 10
3、数组与数组的运算
# 数组与数组的运算
arr1 = np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]])
arr2 = np.array([[1,2,3,4], [3,4,5,6]])
arr1 + arr2
提示不满足广播机制！
4、广播机制
（1）执行broadcast的前提在于，两个nadarray执行的是element-wise的运算，Broadcast机制的功能是为了方便不同形状的ndarray（numpy库的核心数据结构）进行数学运算
（2）当操作两个数组时，numpy会逐个比较它们的shape（构成的元组tuple），只有在下述情况下，两个数组才能够进行数组与数组的运算
维度相等（单看这一列）
shape（其中相对应的一个地方为1）
（3）可以这样理解，首先把数组形状展开，从右到左按列来看，两个情况中只要满足一个就可以
以下情况不匹配：
（4）运算的结果，每一个维度取最大的
（5）例子
arr1 = np.array([[1,2,3,2,1,4], [5,6,1,2,3,1]])
arr2 = np.array([[1], [3]])
arr1 # (2, 6)
arr2 # (2, 1)
arr1 + arr2
arr1是2行6列，arr2是2行1列
相加的结果，维度相同的，对应的每一行分别运算，维度为1的对所有行运算
六、矩阵运算
1、如何才能进行学生成绩计算呢
2、什么是矩阵
矩阵，英文matrix，和array的区别矩阵必须是2维的，但是array可以是多维的
3、两种方法存储矩阵
（1）ndarray 二维数组
# 矩阵运算
# ndarray存储矩阵
data = np.array([[80,86], [82,80], [85,78], [90,90], [86,82], [82,90], [78,80], [92,94]])
data
type(data)
（2）matrix 数据结构
np.mat()
将数组转换成矩阵类型
# matrix存储矩阵
data_mat = np.mat([[80,86], [82,80], [85,78], [90,90], [86,82], [82,90], [78,80], [92,94]])
data_mat
type(data_mat)
4、矩阵乘法运算
矩阵乘法的两个关键：形状改变和运算规则
（1）形状改变
必须符合上面的式子，否则运算出错。第一个矩阵的列数和第二个矩阵的行数要一致
（2）运算规则
5、ndarray矩阵乘法api
np.matmul：矩阵相乘
np.dot：点乘
6、计算成绩
ndarray存储方式
# 计算成绩
data
weights = np.array([[0.3], [0.7]])
weights
np.matmul(data, weights)
np.dot(data, weights)
matrix存储方式
weights_mat = np.mat(weights)
weights_mat
data_mat * weights_mat
