什么是NumPy？
NumPy是Python中科学计算的基本软件包。它是一个Python库，提供多维数组对象，各种派生对象（例如蒙版数组和矩阵）
以及各种例程，用于对数组进行快速操作，包括数学，逻辑，形状处理，排序，选择，I / O ，离散傅立叶变换，基本线性代数，基本统计运算，随机模拟等等。
NumPy包的核心是ndarray对象。这封装了均匀数据类型的n维数组，为了提高性能，许多操作都在编译后的代码中执行。NumPy数组和标准Python序列之间有几个重要的区别：
- NumPy数组在创建时具有固定的大小，这与Python列表（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原始数组。
- NumPy数组中的所有元素都必须具有相同的数据类型，因此在内存中的大小将相同。例外：一个对象可以具有（Python，包括NumPy）对象的数组，从而允许数组具有不同大小的元素。
- NumPy数组有助于对大量数据进行高级数学运算和其他类型的运算。通常，与使用Python的内置序列相比，此类操作可以更高效地执行，并且代码更少。
- 越来越多的基于Python的科学和数学软件包都使用NumPy数组。尽管这些通常支持Python序列输入，但它们会在处理之前将此类输入转换为NumPy数组，并且通常会输出NumPy数组。换句话说，为了有效地使用很多（也许甚至是大多数）当今基于科学/数学的基于Python的软件，仅仅知道如何使用Python的内置序列类型是不够的-人们还需要知道如何使用NumPy数组。
- （总结就是一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算）
为什么NumPy快速？
向量化描述了代码中没有任何显式的循环，索引等操作-当然，这些事情发生在优化的预编译C代码中的“幕后”。向量化代码具有许多优点，其中包括：
- 向量化的代码更简洁，更易于阅读
- 更少的代码行通常意味着更少的错误
- 该代码更类似于标准数学符号（通常更容易正确地编码数学结构）
- 向量化产生更多的“ Pythonic”代码。没有向量化，我们的代码将效率低下且难以读取
for循环。
广播是一个术语，用于描述操作的隐式逐元素行为。一般而言，在NumPy中，所有运算，不仅是算术运算，而且是逻辑，按位，函数等，均以这种逐个元素的隐式方式进行操作，即广播。而且，在上面的示例中，
a并且b可以是相同形状的多维数组，或者是标量和数组，甚至可以是形状不同的两个数组，条件是较小的数组可以“扩展”到较大的形状。最终广播是明确的。有关广播的详细“规则”，请参见numpy.doc.broadcasting。还有谁使用NumPy？
NumPy完全支持面向对象的方法，再次从ndarray开始。例如，ndarray是一个类，具有许多方法和属性。它的许多方法都由最外层的NumPy命名空间中的函数反映，从而允许程序员以他们喜欢的任何范式进行编码。这种灵活性使NumPy数组方言和NumPy ndarray类成为了Python中使用的多维数据交换的事实上的语言。
特点：快速、方便、科学计算库
numpy创建数组（矩阵）
import numpy as np #创建数组 a = np.array([1,2,3,4,5]) b = np.array(range(1,6)) c = np.arange(1,6)#b和c相比，方便 print(a,b,a) #上面创建a,b,c都相同，都是创建了一个一维数组
数组的类名
a = np.array([2,3,4,5,6]) print(type(a))
数组的类型
print(a.dtype)
数据类型的操作
指定创建的数组的数据类型
# a = np.array([1,0,2,0],dtype=np.bool)#或者使用dtype="？" a = np.array([1,0,2,0],dtype="?")#或者使用dtype="？" print(a)
修改数组的数据类型
# a.astype("i1")#或者使用a.astype(np.int8) a.astype(np.int8)
修改浮点型的小数位数
import random #生成一维10个数的数组 a = np.array([random.random() for i in range(10)]) print(a) print(type(a)) print(a.dtype)
#保留几位小数 b = np.round(a,2) print(b)
数组的形状
a = np.array([[1,2,3,4,5],[6,7,8,9,10]]) a
查看数组的形状
b = a.reshape(5,2) print(b) print(a)#可以看出修改形状，不是在a的基础上修改 #是备份修改的
把数组转化为1维数据
c = b.reshape(1,10)##注意这不是一维数组，这是二维 print("c",c) d = b.reshape((10,)) print("d",d)#这才是一维数组 注意看中括号 b.flatten()#这个是一维的 b.reshape(1,10)#这个是二维的
数组和数的计算
有趣吧，这是一个numpy的广播机制造成的，在运算过程中，加减乘除的值被广播到所有的元素上面（有点像计算机网络同一个局域网中广播机制）
数组和数组的计算(我将jupyter notebook中练习直接截图出来)
在上面可以看出结果中有inf这个标志，这是无穷大的意思，是无穷大单词的缩写。
不同维度的数组计算:
总结：上面（ValueError: operands could not be broadcast together with shapes (3,4) (1,3)）这个错误是由于数组t1与t3在任一维度没有相等的，
所以不能进行运算。无论多维，只要存在一个维度相当，即可参与运算。
广播原则（重要）
- 如果两个数组的后缘维度(trailing dimension,即从末尾开始算起的维度)的轴长度相符或其中一方的长度为1，则认为它们是广播兼容的。广播会在缺失和(或)长度为1的维度上进行。
怎么理解呢? 可以把维度指的是shape所对应的数字个数那么问题来了: shape为(3,3,3)的数组能够和(3,2)的数组进行计算么?
答案是不能的，在任意维度没有相同的，是不能进行运算的。
shape为(3,3,2)的数组能够和(3,2)的数组进行计算么? 有什么好处呢?
可以进行运算，存在维度相同，换句话来说理解有点难，那么可以想出一维与二维进行运算的条件也就是这个意思。
举个例子:每列的数据减去列的平均值的结果
轴(axis)
在numpy中可以理解为方向,使用0, 1,2...数字表示，对于一个- -维数组,只有一个0轴,对于2维数组(shape (2, 2)),有0轴和1轴，对于三维数组(shape(2,2，3)), 有0, 1, 2轴 有了轴的概念之后，我们计算会更加方便，比如计算一个2维数组的平均值，必须指定是计算哪个方向上面的数字的平均值 那么问题来了: 在前面的知识，轴在哪里? 回顾np. arange (0, 10). reshape (2, 5)), reshpe中2表示0轴长度(包含数据的条数)为2, 1轴长度为5, 2*5-共10个数据二维数组的轴：
三维数组的轴：
