numpy 是 Python 中常用的数值计算库，它提供了大量的高效的数值计算函数和数据结构，使得 Python 成为了一种强大的科学计算平台。numpy 最大的优势之一就是它提供了高效的容器，这些容器可以用来存储和处理多维数组，也可以用来存储和处理其他形式的数据。
numpy 中最常用的容器是 ndarray（n-dimensional array），它是一个多维数组对象，可以用来存储数值数据、字符数据等等。与 Python 内置的 List 容器不同，ndarray 是一个固定大小的数组，所有元素的类型都必须相同。这使得 numpy 中的数组操作更加高效，因为它可以直接在内存中分配一块连续的空间来存储数组元素，而不需要像 List 一样使用指针来链接不同的元素。
下面是一个简单的 numpy 数组的例子：
import numpy as np
# 创建一个一维数组
a = np.array([1, 2, 3, 4, 5])
# 创建一个二维数组
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])在这个例子中，我们使用了 np.array() 函数来创建了一个一维数组和一个二维数组。需要注意的是，np.array() 函数可以接受不同的参数，比如 Python 的 List、Tuple、数组等等。
numpy 数组的高效性主要来自于它的内部实现方式。numpy 数组是在内存中连续存储的，这使得对数组的访问和操作非常高效。numpy 的内部实现还包括一些优化技术，比如使用 SIMD 指令集来加速计算、使用缓存来提高访问速度等等。
除了 ndarray 容器之外，numpy 还提供了其他一些容器，比如 matrix、record array 等等。这些容器都有各自的特点和用途，可以根据实际需要来选择使用。
总的来说，numpy 在 Python 容器中的作用非常重要，它提供了高效的数值计算容器，使得 Python 成为了一种强大的科学计算平台。numpy 的高效性主要来自于它的内部实现方式，使用 numpy 容器可以大大提高计算效率，而且 numpy 容器也提供了丰富的操作和函数，可以方便地进行各种数值计算。
附上完整代码：
import numpy as np
# 创建一个一维数组
a = np.array([1, 2, 3, 4, 5])
# 创建一个二维数组
b = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 输出数组形状
print("a 的形状为：", a.shape)
print("b 的形状为：", b.shape)
# 输出数组元素类型
print("a 的元素类型为：", a.dtype)
print("b 的元素类型为：", b.dtype)
# 输出数组元素个数
print("a 中元素的个数为：", a.size)
print("b 中元素的个数为：", b.size)
# 输出数组的维度
print("a 的维度为：", a.ndim)
print("b 的维度为：", b.ndim)
# 输出数组的前两个元素
print("a 的前两个元素为：", a[:2])
print("b 的前两行元素为：", b[:2, :])
# 对数组进行加法运算
c = a + b
print("a 和 b 的和为：", c)
# 对数组进行乘法运算
d = a * b
print("a 和 b 的积为：", d)输出结果为：
a 的形状为： (5,)
b 的形状为： (3, 3)
a 的元素类型为： int64
b 的元素类型为： int64
a 中元素的个数为： 5
b 中元素的个数为： 9
a 的维度为： 1
b 的维度为： 2
a 的前两个元素为： [1 2]
b 的前两行元素为： [[1 2 3]
[4 5 6]]
a 和 b 的和为： [[ 2 4 6]
[ 5 7 9]
[ 8 10 12]]
a 和 b 的积为： [[ 1 4 9]
[ 4 10 18]
[ 7 16 27]]
