对于大部分数据分析应用而言，最关注的功能主要集中在：
- 用于数据整理和清理、子集构造和过滤、轮换等快速的矢量化运算
- 常用的数组算法，如排序、唯一化、集合运算等
- 高效的描述统计和数据集合、摘要运算
- 用于异构数据集的合并、连接运算的数据对齐和关系型数据运算
- 将条件逻辑表述为数组表达式（而不是带有if-else-else分支的循环）
- 数组的分组运算（聚合、转换、函数应用等）
NumPy的nDarray:一种多维数组对象
Numpy最重要的特点就是N维数组对象（即ndarray）,该对象是一个快速而灵活的大数据集容器。可以利用这种数组对整块数据执行一些数学运算，其语法和标量元素之间的运算一样：
ndarray是一个通用的同构数据多维容器，也就是说，其中的所有元素都必须是相同类型的，每一个数组都有一个shape(一个表示各维度大小的元组）和一个dtype(一个用于说明数组数据类型的对象）.虽然不需要深入理解Numpy，但是精通面向数组的编程和思维方式是成为Python科学计算牛人的一大关键步骤。
注意：当看到数组，Numpy数组，ndarray时，基本上是指同一样东西，即ndarray对象
创建ndarray
创建数组最简单的方法是使用array函数，它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的Numpy数组。
嵌套序列（比如由一组等长列表组成的列表）将会被转换为一个多维数组：
除非显式说明，np.array会尝试为新建的这个数组推断出一个较为合适的数据类型。数据类型保存在一个特殊的stype对象中。
除np.array之外，还有一些函数也可以新建数组，比如，zeros和mones分别可以创建指定长度或形状的全0或全1数组，empty可以创建一个没有任意具体值得数组。要用这些方法创建多维数组，只需传入一个表示形状的元祖即可
注意：认为np.empty会返回全0数组是不安全的，很多情况，他返回的都是一些未初始化的垃圾值
arange是Python内置函数range的数组版：
由于numpy关注的是数值计算，所以如果没有特别的指定，数据类型基本都是float64(浮点型）
数组创建函数：
数值型dtype的命名方式：一个类型名（flaot或int）后面跟一个用于表示各元素位长的数字
numpy所有的数据类型
可以通过ndarray的astype显式的转换其dtype:
在上面的例子中，整数被转换为了浮点数，如果将浮点数转换为整数，则小数部分将会被截断