NumPy 是python 语言的一个第三方库，其支持大量高维度数组与矩阵运算。此外，NumPy 也针对数组运算提供大量的数学函数。
#导入Numpy库，并命名为np
import numpy as np
#创建一维数组
a = np.array([1, 2, 3])
# NumPy可以很方便地创建连续数组，比如我使用arange或linspace函数进行创建：
b = np.arange(1,5,1) // 返回一个有终点和起点、固定步长的排列，如起点是1，终点是4，步长为1，即【1,2,3,4】，
c = np.linspace(1,9,5) 返回一个有终点和起点、元素个数的的排列，如起点是1，终点是9，元素个数为5,即【1,3,5,7,9】
#通过NumPy可以自由地创建等差数组，同时也可以进行加、减、乘、除、求n次方和取余数。
求和：np.sum(a)
求取平均值：np.mean(a)
求取中位数：np.median(a)
求取加权平均数：np.average(a)
求取方差：var() np.var(a)
求取最小值：np.amin(a)
求取最大值：np.amax(a)
将两个数相加：np.add(x1, x2)
将两个数相减：np.subtract(x1, x2)
将两个数相乘：np.multiply(x1, x2)
将两个数相除：np.divide(x1, x2)
立方：np.power(x1, x2)
除余：np.remainder(x1, x2)
相关系数计算：np.corrcoef(a1, a2) (a1、a2都是矩阵)
数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。最典型的就是数据的归一化处理，即将数据统一映射到(0,1]区间上
（1）0-1标准化
将数据的最大最小值记录下来，并通过max-min作为基数（即min=0,max=1)进行数据的归一化处理
x=(x - min) / (max - min)
（2）Z-score标准化
Z分数（z-score），是一个分数与平均数的差再除以标准差的过程 → z=(x-μ)/σ，其中x为某一具体分数，μ为平均数，σ为标准差
Z值的量代表着原始分数和母体平均值之间的距离，是以标准差为单位计算。在原始分数低于平均值时Z则为负数，反之则为正数
数学意义：一个给定分数距离平均数多少个标准差?
