几乎所有的numpy函数都在整个数组上运行，并且/或者可以被告知在特定的轴（行或列）上运行。
只要您可以根据作用在numpy数组或数组切片上的numpy函数来定义函数，您的函数将自动在整个数组，行或列上运行。
询问如何实现特定功能以获得更具体的建议可能会更有用。
Numpy提供np.vectorize和np.frompyfunc来将对数字进行操作的Python函数转换为对numpy数组进行操作的函数。
例如，
def myfunc(a,b): if (a>b): return a else: return bvecfunc = np.vectorize(myfunc)result=vecfunc([[1,2,3],[5,6,9]],[7,4,5])print(result)# [[7 4 5]# [7 6 9]]
（当第二个数组较大时，第一个数组的元素将替换为第二个数组的相应元素。）
但是不要太兴奋；
np.vectorize并且
np.frompyfunc是只是语法糖。它们实际上并没有使您的代码更快。如果您的基础Python函数一次仅对一个值进行操作，则一次
np.vectorize将其馈入一个项，并且整个操作将非常缓慢（与使用numpy函数调用某些基础C或Fortran实现相比）
。
要计算
x小于数字的column元素个数
y，可以使用如下表达式：
(array['x']<y).sum()
例如：
import numpy as nparray=np.arange(6).view([('x',np.int),('y',np.int)])print(array)# [(0, 1) (2, 3) (4, 5)]print(array['x'])# [0 2 4]print(array['x']<3)# [ True True False]print((array['x']<3).sum())# 2
