numpy中用很多常見的函數，如果使用的好，對我們的工作幫助是很大的，本篇我會拿其中一部分來做介紹
通用函數ufunc（universal function）
Numpy提供了許多通用函數，這些通用函數可以看做是以前通過Python計算的矢量化版本。
在numpy中提供了很多庫，這部分和math中的庫很像，可以簡單理解爲矢量預算的math
1. abs / fabs 取絕對值
2. ceil / floor 取整函數
3. exp 取平方函數，也可以使用** 來代替
4. log / log2 / log10 取對數函數
5. modf
返回數值的小數部分與整數部分
返回一個元組，元組中含有兩個元素（ndarray數組類型）
前面的（索引爲0）的元素包含的是小數值，後面的（索引爲1）的元素包含的是整數值。
7. sin / sinh / cos / cosh 三角函數
8. sqrt 開方運算函數
統計函數*
這部分是重點，無論在深度學習還是機器學習中，都經常用到 比如常見的場景：在運算的過程中，先計算圖像的均值，之後用圖像的像素點減去三個通道的均值，之後在做運算 可以使用mean做運算，當然也可以使用 [0,0,0]或者[128,128,128]等
Numpy（或數組對象）具有如下常用的統計函數。
* mean / sum sum計算pr曲線的使用統計正確率是很常見的操作
* max / min 計算最大值和最小值
* argmax / argmin 返回最大值和最小值的索引，在實際應用過程中通常用作嵌套使用
* std / var 標準差和方差
* cumsum / cumprod 求累積和累積乘積
軸（axis）
可以指定axis參數來改變統計的軸。axis是一個非常重要的參數，關於數組的很多操作與運算，都涉及該參數。軸的取值爲0,1,2……其中0表示最高的維度，1表示次高的維度，以此類推。同時，軸也可以爲負值，表示倒數第n個維度，例如，-1表示最後（低）一個維度。在二維數組中，0表示沿着豎直方向進行操作，1表示沿着水平方向進行操作。在多維數組中，軸相對複雜一些，可以認爲，是沿着軸所指定的下標變化的方向，進行操作。例如，如果軸是1，則根據第1個下標變化的方向上進行操作。
隨機函數
這個方法很重要，在聚類過程中，如果計算所有簇之間的聚類計算量是巨大的，可以使用隨機選擇簇心，或者計算簇心來進行簇間操作
* np.random.rand 參數爲多個參數共同決定
* np.random.random 與rand相同，但是形狀通過一個參數(元組)指定。
* np.random.randn 常用於深度學習的構建神經網絡產生隨機正太分佈的數值
* np.random.normal 可以自定義均值和標準差的標準正太分佈
* np.random.randint 在給定起點和終點差生隨機整數值
* np.random.seed
* np.random.shuffle
* np.random.uniform
連接與拆分函數
* np.concatenate 對多個數組按指定軸的方向進行連接。 通常應用爲多個numpy文件的合併 例如特徵文件
* np.vstack / np.hstack axis =0
* np.split / np.hsplit / np.vsplit axis = 1
其他函數（方法）
* any / all
* transpose（T） 矩陣轉置
* swapaxis
* dot（@） 一種特殊的運算方法，表示相同位置做懲罰之後相加
* sort / np.sort
* unique
* np.where 搜索是否有包含的符合條件的值
* np.save / np.load 保存和加載numpy數據 默認爲二進制
* np.savetxt / np.loadtxt 可以指定保存文件的格式
說明：
- sort可以指定排序的軸。
- save在保存數組時，如果沒有指定擴展名，則自定補充.npy作爲擴展名。