numcube 0.2.0

在涉及多个立方体的操作中，轴是匹配和对齐的。匹配意味着比较轴名称。 具有相同名称的轴是对齐的（见下文），而唯一的轴是广播的（见数组 广播）。

立方体在大多数特征中并不依赖于轴的特定顺序。尽管如此， 该操作的轴顺序与该操作中的第一个立方体相同，后面是另一个立方体的唯一轴 遵守他们的命令。

基本上有两种类型的轴。轴有两种类型：索引轴和系列轴。系列有固定顺序或 值和值不需要是唯一的。索引必须具有唯一值，可用于在 轴对齐。

如果其中一个轴是序列，另一个轴是索引，则序列中的值必须是索引中的值的子集； 结果轴为系列轴。

如果两个轴都是index类型，则它们必须包含相同的值；但是，这些值可以具有不同的顺序；以及 结果轴是第一个索引轴。

如果两个轴都是串联的，则它们必须相等-它们必须以相同的顺序包含相同的值。结果 轴是第一系列轴。

过滤值

可以使用三种不同的方法筛选多维数据集： 1）通过轴值过滤-函数过滤器（…） 2）沿轴按索引过滤-函数take（…） 3）通过逻辑选择器沿轴过滤-功能压缩（…）

函数take（…）和compress（…）的语义与numpy包中的相同。

`python >> from numcube import Index, Cube >> Y = Index("year", range(2014, 3)) >> Q = Index("quarter", ["Q1", "Q2", "Q3", "Q4"]) >> sales = Cube([[14, 16, 13, 20], [15, 15, 10, 19], [16, 17, 15, 21]], [Y, Q]) >> # filter by dimension attribute >> salesH1 = sales.filter("quarter", ["Q1", "Q2"]) >> # filter by numeric indices >> salesH1 = sales.take("quarter", [0, 1]) >> # filter by logical vector >> filter_q = np.array([True, True, False, False] >> salesH1 = sales.compress("quarter", filter_q)) `

运算符

多维数据集支持两个多维数据集之间的算术运算。立方体轴被匹配和对齐，并且操作 按元素执行。

`python >> from numcube import Index, Cube >> year_ax = Index("year", [2014, 2015]) >> quarter_ax = Index("quarter", ["Q1", "Q2", "Q3", "Q4"]) >> sales = Cube([[14, 16, 13, 20], [15, 15, 10, 19]], [year_ax, quarter_ax]) >> prices = Cube([1.50, 1.52, 1.53, 1.55], [year_ax]) >> revenues_q = sales * prices  # quarterly revenues `

多维数据集也可以使用标量值进行操作，标量值被视为无量纲多维数据集。

`python >> Y = Index("year", range(2014, 2)) >> Q = Index("quarter", ["Q1", "Q2", "Q3", "Q4"]) >> prices = Cube([[1.50, 1.52, 1.53, 1.55], [1.48, 1.47, 1.46, 1.49], [Y, Q]) >> discount = 0.5 >> discounted_prices = sales * discount  # operation with scalar `

聚合

可以使用聚合函数sum、mean、min、max等沿轴聚合多维数据集值。所有聚合 函数允许定义要聚合的轴、要保留的轴或要聚合的值 要分组。

`python >> total_revenues = revenues.sum() >> average_annual_revenues = revenues.mean("quarter") >> total_annual_revenues = revenues.sum(keep="year") `

聚合也可以用于沿着非唯一值的轴来分组值，例如： `python >> subject = Axis('subject', [math', 'biology', 'math', 'physics', 'math', 'biology', 'math', 'physics']) >> score = Cube([65, 80, 95, 52, 35, 50, 89, 95], subject) >> score_by_subject = score.mean(group='subject') `

一般的聚合函数是reduce（），可以为其提供用户定义的聚合函数。 `python >> decile_9th = score.reduce(func=lambda x: np.percentile(x, 90.0)) `

逻辑聚合函数all（）和any（）可用于测试多维数据集中的所有或任何逻辑值是否为真。 `python >> c = Cube(...) >> d = Cube(...) >> if (c > d).all():  # to test if all values in c are greater than respective values in d ` 注意，比较运算符使用相同的轴匹配、对齐和ADN广播作为普通算术运算符。

其他

• 所有类的接口都是为支持不变性而设计的
• 立方体支持数值函数，如sin、cos、log、exp等。
• 换位（在n维空间）改变轴的顺序