使用索引数组进行索引

可以使用索引数组来访问数组的特定元素，而不是使用循环。这在处理多维数组时特别有用。

indices = np.array([1, 3, 0])
arr = np.array([10, 20, 30, 40, 50])
selected_elements = arr[indices]  # [20, 40, 10]

避免循环np.vectorize()

如果有一个本质上不是矢量化的函数，可以用它来使np.vectorize()有效地处理数组。

def non_vectorized_func(x):
    return x + 2

arr = np.array([10, 20, 30, 40, 50])

vectorized_func = np.vectorize(non_vectorized_func)
result = vectorized_func(arr)

条件赋值np.where()

用于执行条件赋值，根据条件替换元素。np.where()

arr = np.array([1, 2, 3, 4, 5])
new_arr = np.where(arr > 2, arr, 0)  # [0, 0, 3, 4, 5]

高级广播

广播可以创造性地用于执行涉及多个阵列的复杂操作。

a = np.arange(6).reshape(3, 2)
b = np.array([10, 20, 30])
result = a + b[:, np.newaxis]  # Broadcasting along both dimensions

直方图np.histogram()

使用 计算数组元素的直方图。np.histogram()

arr = np.array([1, 2, 2, 3, 3, 3, 4, 4, 4, 4])
hist, bins = np.histogram(arr, bins=4, range=(1, 5))

优化内存使用np.memmap

当处理不适合内存的大型数据集时，可以使用内存映射数组 using 从磁盘访问数据，就像在内存中一样。np.memmap()

mmap_array = np.memmap('data.dat', dtype='float32', mode='r+', shape=(1000000,))

自定义通用函数

可以为专用操作创建自己的自定义 ufunc。这对于封装复杂的计算非常有用。

def custom_function(x):
    # Define your operation
    return x ** 2 + 2 * x + 1

custom_ufunc = np.frompyfunc(custom_function, 1, 1)
result = custom_ufunc(arr)

屏蔽阵列

屏蔽数组允许您处理具有缺失值或无效值的数据

arr = np.ma.masked_array([1, 2, 3, 4, 5], mask=[False, True, False, False, True])