常用的np操作

1.concatenate((a1, a2, …), axis=0)数组拼接

• 传入的数组必须具有相同的形状，这里的相同的形状可以满足在拼接方向axis轴上数组间的形状一致即可

In [23]: a = np.array([[1, 2], [3, 4]])

In [24]: b = np.array([[5, 6]])

In [25]: np.concatenate((a, b), axis=0)
Out[25]:
array([[1, 2],
       [3, 4],
       [5, 6]])

In [28]: np.concatenate((a,b.T),axis = 1)
Out[28]:
array([[1, 2, 5],
       [3, 4, 6]])

2.np.transpose，改变序列

x = np.arange(4).reshape((2,2))
#x 为：
array([[0, 1],
       [2, 3]])
import numpy as np
x.transpose()

array([[0, 2],
       [1, 3]])

3.pearsonr(x,y)，皮尔森相关系数，计算特征与目标变量之间的相似度。

1）输入：x为特征，y为目标变量. 2）输出：r： 相关系数 [-1，1]之间，p-value: p值。 注： p值越小，表示相关系数越显著，一般p值在500个样本以上时有较高的可靠性。

4.np.newaxis的功能是增加新的温度。

x[:, np.newaxis] ，放在后面，会给列上增加维度

x[np.newaxis, :] ，放在前面，会给行上增加维度

5.np.repeat 对数组中的元素进行连续复制

6.np.squeeze从数组中删除单维度条目，把shape为1的去掉

>>import numpy as np
>>e = np.arange(10)
>>e
>>Out[28]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>a = e.reshape(10, 1, 1)
>>a.shape
>>Out[35]: (10, 1, 1)

>>b = np.squeeze(a)
>>b.shape
>>Out[36]: (10,)

7.np.expand-dims 扩展数组形状

>>import numpy as np
>>a = np.arange(24).reshape(2,3,4)
>>a.shape
>>Out[41]: (2, 3, 4)

>>b = np.expand_dims(a, axis=0)
>>b.shape
>>Out[43]: (1, 2, 3, 4)

>>c = np.expand_dims(a, axis=1)
>>c.shape
>>Out[45]: (2, 1, 3, 4)

8.

stack（）：沿着新的轴加入一系列数组。

vstack（）：堆栈数组垂直顺序（行）

hstack（）：堆栈数组水平顺序（列）。

dstack（）：堆栈数组按顺序深入（沿第三维）。

concatenate（）：连接沿现有轴的数组序列。

vsplit（）：将数组分解成垂直的多个子数组的列表。

3.scipy处理科学计算，主要包括插值、积分、优化

计算远期利率：在零息曲线中插值折现因子

计算期权价格：将期望写成积分并数值求解

配置资产权重：优化「风险平价」模型权重

9.插值

给定一组 (xi, yi)，其中 i = 1, 2, ..., n，而且 xi 是有序的，称为「标准点」。插值就是对于任何新点 xnew，计算出对应的 ynew。换句话来说，插值就是在标准点之间建立分段函数 (piecewise function)，把它们连起来。这样给定任意连续 x 值，带入函数就能计算出任意连续 y 值。

scipy.interpolate 里面两大杀器：splrep 和 splev。两个函数名称都是以 spl 开头，全称 spline (样条)，可以理解这两个函数都和样条有关。不同的是，两个函数名称以 rep 和 ev 结尾，它们的意思分别是：

• rep：representation 的缩写，那么 splrep 其实生成的是一个「表示样条的对象」

• ev：evaluation 的缩写，那么 splev 其实用于「在样条上估值」

• 分段线性函数来拟合 sin(x) + 0.5x 函数当然不会太好啦。那我们试试分段三次样条函数 (k = 3)