指定一个nan或者inf：
'''
import numpy as np
a = np.inf
print(type(a))
a = np.nan
print(type(a))
numpy中的nan的注意点
1. 两个nan是不相等的
2. np.nan != np.nan
3.利用以上的特性，判断数组中nan的个数
import numpy as np
t = np.array([1,2,np.nan])
x = np.count_nonzero(t!=t)
print(x)
t = np.array([1,2,np.nan])
t[np.isnan(t)] = 0
print(t)
4.通过np.isnan()来判断一个数字是否为nan，返回bool类型。
numpy中的nan的注意点
一般把缺失的数值替换为均值（中值）或者是直接删除有缺失值的一行。
删除有缺失数据的那一行（列）在pandas中介绍。
numpy中常用统计函数
求和：t.sum(axis=None)
均值: t.mean(a,axis=None) 受离群点的影响较大
中值：np.median(t,axis=None)
最大值：t.max(axis=None)
最小值：t.min(axis=None)
极值：np.ptp(t,axis=None)最大值和最小值之差
标准差：t.std(axis=None)
标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值反映出数据的波动稳定情况，越大表示波动越大，越不稳定。
注意：上述统计函数默认返回多维数组的全部的统计结果，如果指定axis则返回一个当前轴上的结果。
数组的拼接
import numpy as np
t1 = np.arange(12).reshape(2,6)
t2 = np.arange(12,24).reshape(2,6)
t3 = np.vstack((t1,t2)) #竖直拼接
t4 = np.hstack((t1,t2)) #水平拼接
数组的行列交换
import numpy as np
t1 = np.arange(12,24).reshape(3,4)
t1[[1,2],:] = t1[[2,1],:]#行交换
print(t1)
import numpy as np
t1 = np.arange(12,24).reshape(3,4)
t1[:,[0,2]] = t1[:,[2,0]] #列交换
print(t1)
numpy更多好用的方法
1.获取最大值最小值的位置
(1) np.argmax(t,axis=0)
(2) np.argmin(t,axis=1)
2.创建一个全0的数组: np.zeros((3,4))
3.创建一个全1的数组: np.ones((3,4))
4.创建一个对角线为1的正方形数组（方阵）: np.eye(3)
numpy生成随机数
np.random.--
| 参数 | 解释 |
|---|---|
| .rand(d0,d1,..dn) | 创建d0-dn维度的均匀分布的随机数数组，浮点数，范围0-1 |
| .randn(d0,d1,..dn) | 创建d0-dn维度的标准正态分布随机数，浮点数，平均数0，标准差1 |
| .randint(low,high,(shape)) | 从给定上下限范围选取随机数整数，范围是low,high,形状是shape |
| .uniform(low,high,(size)) | 产生具有均匀分布的数组，low起始值，high结束值，size形状 |
| .normal(loc,scale,(size)) | 从指定正态分布中随机抽取样本，分布中心是loc（概率分布的均值），标准差时scale，形状是size |
| .seed(s) | 随机数种子，s是给定的种子值。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数 |
分布的补充
1.均匀分布
在相同的大小范围内的出现概率是等可能的
2.正态分布
呈钟型，两头低，中间高，左右对称。
numpy的注意点copy和view
- a=b完全不复制，a和b相互影响。
- a=b[:]，视图的操作，一种切片，会创建新的对象a，但是a的数据完全由b保管，他们两个的数据变化是一致的。
- a=b.copy()，复制，a和b互补影响。
