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
