NumPy 提供了线性代数的运算方法，它就像一个list 在运算时遵循线性代数的规则

a = np.array([1, 2, 3, 4])

b = np.array([1, 2, 1, 2])

a + b #[2 4 4 6] 

a - b #[0 0 2 2]

a * b # [1 4 3 8]

a / b #  [1 1 3 2]

a ** b # [ 1 4 3 16]

也可以使用一个向量去和一个常数运算

a = np.array([1, 2, 3, 4])

b = 2

a + b # [3 4 5 6] 

a - b # [-1 0 1 2]

a * b #  [2 4 6 8]

a / b #   [0 1 1 2]  由于都是int类型，执行int类型的数字运算

a ** b #  [ 1 4 9 16]

同样，也可以进行位运算

查看此文章，进一步了解位运算。

在 NumPy 中，a & b 执行 a 和 b 的“按位与”。这不一定要与执行“逻辑与”（“与”没有对应的向量版）的 a 和b 相同。但是，如果 a 和 b 都是布尔型而非整数型数组，“按位与”和“逻辑与”的作用是一样的。

如果你想要对整数型向量进行“逻辑与”计算，你可以使用 NumPy 函数 np.logical_and(a,b)，或者先把它们转换为布尔型向量。

类似地，a | b 执行“按位或”，而 ~a 执行“按位非”。但是，如果数组包含布尔值，它们与执行“逻辑或”和“逻辑非”的效果是一样的。

NumPy 也有类似的函数：逻辑或，逻辑非，用于对含整数型数值的数组进行逻辑运算。

a = np.array([True, True, False, False])

b = np.array([True, False, True, False])

print a & b[ True False False False]

print a | b [ True True True False] 

print ~a [False False True True] 

print a & True [ True True False False] 

print a & False [False False False False] 

print a | True [ True True True True] 

print a | False  [ True True False False]

比较运算

a = np.array([1, 2, 3, 4, 5])

b = np.array([5, 4, 3, 2, 1])

print a > b [False False False True True] 

print a >= b [False False True True True] 

print a < b   [ True True False False False] 

print a <= b [ True True True False False]

print a == b  [False False True False False] 

print a != b  [ True True False True True]

他也提供了一些方法np.array([]).mean()求平均值np.array([]).std()求矩阵标准差 ...方便运算

索引数组

a = np.array([1, 2, 3, 2, 1])

b = (a >= 2)

print a[b]

print a[a >= 2]

这两个输出相同，都是[2 3 2]

np array可以将另一个boolean 矩阵当做索引，返回其中索引项为True的值组成的矩阵。这可以很容易的去除无效数据

np array的切片运算并不会创建新的array而是在原数组上修改，如：

a = np.array([1, 2, 3, 4])

slice = a[:3] #[1 2 3]

slice[0] = 100

print(a)

这段的输出结果是[100 2 3 4]  这个数据切片就相当于原数组的一个view