1.NumPy( Numeric Python)
numpy是一个开源的python科学计算扩展库，主要用来处理任意维度数组和矩阵。
相同的任务，使用numpy比直接用python的基本数据结构更加简单高效。
它的功能：
- 包含一个强大的N维数组对象
Ndarray - 广播功能函数
- 整合C/C++代码的工具
- 线性代数、傅里叶变换、随机数生成等功能
numpy是scipy,pandas等数据处理或科学计算库的基础
2.numpy的引用
虽说别名可以省略或者更改，但尽量使用上述约定的别名
3.Ndarray
n维数组，它是一个相同数据类型的集合，以0为下标开始进行集合中元素的索引。
我们知道，python有列表和数组此类的数据结构。
列表：数据类型可以不同（如[3, 2.4 ,‘a’ ,“abc”]），数据是有序的
数组：数据类型相同(如[1，2，3，4])
集合： （如{2，4，3，5，7}）数据是无序的
引入n维数组的意义
观察下列两组操作，其功能都是一样的。
import numpy as np
def pysum():
a = [1, 2, 3, 4]
b = [5, 6, 7, 8]
c = []
for i in range(len(a)):
c.append(a[i]**2+b[i]**3)
return c
def numpysum():
a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])
c = a**2+b**3
return c
print("使用列表运算的结果是：", pysum())
print("使用Numpy运算的结果是：", numpysum())
运行结果：
使用列表运算的结果是： [126, 220, 352, 528]
使用Numpy运算的结果是： [126 220 352 528]
但是很明显：
numpy的数组对象可以去掉元素建运算所需要的循环，使一维向量更像单个数据numpy通过设立专门的数组对象，经过优化，运算速度也相应提升
通常情况下，在科学运算中，一个维度所有数据的类型往往相同，这时，使用数组对象采用相同的数据类型，有助于节省运算时间和存储空间
ndarray的组成
- 实际的数据
- 描述这些数据的元数据（数据维度、数据类型等）
ndarray对象的属性
3.数据类型
当np.array()不指定dtype时，numpy将根据数据情况关联一个dtype类型
ndarray支持多种数据类型的原因python基本语法只支持整数、浮点数和复数3种类型- 科学计算涉及数据较多，对存储和性能都有较高要求
- 对元素类型精细定义，有助于
numpy合理使用存储空间并优化性能 - 对元素类型精细定义，有助于程序员对程序规模有合理评估
ndarray数组的创建
import numpy as np
x = np.array([[1, 0], [2, 0], [3, 1]], np.int32)
print(x)
print(x.dtype)
程序输出：
[[1 0]
[2 0]
[3 1]]
int32
adarray数组的变换
ndarray数组运算
4.索引与切片
- 索引：获取数组中特定位置元素的过程
- 切片：获取数组元素子集的过程
5.随机数函数
6.统计函数
7.梯度函数
8.副本与视图
numpy线性代数
数组与标量之间的运算
常用numpy.linalg函数总结
（好家伙，numpy内置函数太多了…）
