import numpy as np

xarr = np.array([1.1, 1.2, 1.3, 1.4, 1.5])

yarr = np.array([2.1, 2.2, 2.3, 2.4, 2.5])

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

# 如果cond中的值是T时，选取xarr的值，否则从yarr中选取。这种模式就是：x if condition else y (condition与x相等，就选x，否则y)

result = [(x if c else y)

           for x, y, c in zip(xarr, yarr, cond)]

#print result

'''

上面式子可以用一个函数代替：np.where( , , ,)。第一个参数是一个判定，这个判定的结果是根据后面两个参数来输出的。其中，第二个

是第一个参数的True结果输出，而第三个参数是第一个False结果输出。

'''

result = np.where(cond,xarr,yarr)

#print result

from numpy.random import randn

arr = randn(4,4)

#把大于0的值变成2，小于0的值变成-2

result = np.where(arr > 0, 2, -2)

#print result

#只把大于0的值变成2，其他的不变

result = np.where(arr > 0, 2, arr)

#print result

'''

np.where(rond1 & rond2, 0,

           np.where(rond1, 1,

                      np.where(rond2, 2, 3)))

'''

ax = np.random.randn(5, 4)

#print ax

a = ax[0,:]

#计算每一行的均值使用axis = 1  1代表行

#print ax.mean(axis=1)

#print a.mean()

b = ax[:,0]

#计算每一列的均值使用axis = 0  0代表列

#print ax.mean(axis=0)

#print b.mean()

ay = np.array([[0,1,2],

               [3,4,5],

               [6,7,8]])

#计算每一列前个数与后个数的和，返回的仍是一个数组。     0代表列

#print ay.cumsum(0)

#计算每一行前个数与后个数的积，返回的仍是一个数组。     1代表行

#print ay.cumprod(1)

#计算ax中正数的个数, 布尔值会被强制转为1（True）和 0（False）。

#print ( ax > 0 ).sum()

import numpy as np

a = np.arange(10)

np.save("some_array", a)

b = np.load("some_array.npy")

#print b

#加载txt和逗号分隔文件（CSV）方式。保存用np.savetxt方式

#ab = np.loadtxt("array_ex.txt", delimiter= ",")

#线性代数

#建立一个一维数组由3个1组成。

np.ones(3)

x = np.array([[1,2,3], [4,5,6]])

y = np.array([[6, 23],[-1, 7],[8, 9]])

#计算两个数组的乘积。dot()函数

x.dot(y)

np.dot(x, y)

np.dot(x, np.ones(3))

from numpy.random import randn

from numpy.linalg import inv, qr

X = randn(5, 5)

mat = X.T.dot(X)

#计算数组的逆

inv(mat)

mat.dot(inv(mat))

#计算QR分解

q, r = qr(mat)

#print r

import random

import numpy as np

from numpy.random import randint

b = np.random.randint(0,2)  # numpy中的randint不能取右端的那个值，也就是例子中（0，2）不能取到2

a = random.randint(0,2)     # random中的randint是可以取到右端的值，（0，2）也就是在0，1，2中随机取值

#随机漫步（普通版）

position = 0

walk = [position]

steps = 10

for i in xrange(steps):

    # 这句话实际上是一种逻辑判断句，random.randint是逻辑判断条件，与0比较。标准语句：a if condition else b .判断条件大于0，选择a，反之，选择b。

    step = 1 if random.randint(0,1) else -1

    position += step

    walk.append(position)

#print walk

#随机漫步（提升版）

nsteps = 10

draws = np.random.randint(0,2, size= nsteps)

steps = np.where(draws > 0, 1, -1)

# 将结果变成一种数组

walk = steps.cumsum()

#print walk

#只有数组能这样使用

walk.min()

walk.max()

#判断从0到2步，所需要多久，多少次。

(np.abs(walk) >= 2).argmax()

#多个随机漫步

nwalks = 100

nsteps = 100

draws = np.random.randint(0,2, size=(nwalks, nsteps))

steps = np.where(draws > 0, 1, -1)

#计算每一行的累计和。“1”代表行，“0”代表列

walks = steps.cumsum(1)

walks.min()

walks.max()

#计算大于20或-20的布尔值（True，False）

np.abs(walks) >= 20

#计算每一行中有大于20或-20的布尔值

hits20 = (np.abs(walks) >= 20).any(1)

#计算达到20或-20的行，一共有多少个

hits20.sum()

#计算达到20或-20的行的漫步累计次数

walks[hits20]

#计算达到20或-20的每一行第一次漫步到20或-20的步数

crossing_times = (np.abs(walks[hits20])>= 20).argmax(1)

#计算达到20或-20的每一行第一次漫步到20或-20的步数的均值

print crossing_times.mean()