python里内置的数据类型里没有多维数组，NumPy是一个数据分析的包，提供了一个N维数组对象ndarray，可以作为大数据容器做一些数据计算
通过sourceforge很容易下载到NumPy，但假如是在windows下安装的时候，要注意python一定要安装32bit版本，因为NumPy提供的只有32bit的，假如你安装了个64bit的python，在安装NumPy过程中会找不到python，除此之外还要注意环境变量path
安装好了之后，老规矩只需要import一下只要不出现error表示安装成功，一般来说，import的时候写法是：import numpy as np，就不要from numpy import * 这样了
下面可以创建一个NumPy数组瞧瞧
>>> import numpy as np
>>> data = np.array([1, 2, 3])
>>> data
array([1, 2, 3])
>>> data.shape
(3,)
>>> data.dtype
dtype('int64')
>>> data * 2
array([2, 4, 6])
>>> data + data + data
array([3, 6, 9])
一看这个array就非同一般，起码最后两个，正常python的数组结构运行结果是连接符的效果，或者说append（list）的作用，而这里是将每个元素进行分别计算；dtype说明的是数组元素的类型，而还有一个shape是数组的维度大小的一个元组类型，这里因为是一维数组，所以只有一个数字
这里是以一个普通的python内置列表对象[1, 2, 3]为例，进而被转换成了一个ndarray类型数组，其实可以接受一切序列型的对象（元组，列表，数组都行），下面是一个元组进行转换
>>> import numpy as np
>>> a = ([1, 2], [3, 4], [5.1, 6.1], [7.0, 8.0])
>>> data = np.array(a)
>>> data
array([[ 1. , 2. ],
[ 3. , 4. ],
[ 5.1, 6.1],
[ 7. , 8. ]])
>>> data.shape
(4, 2)
>>> data.dtype
dtype('float64')
>>> data * 2
array([[ 2. , 4. ],
[ 6. , 8. ],
[ 10.2, 12.2],
[ 14. , 16. ]])
>>>
可见这里是一个4 * 2 维数组，也能够转换成NumPy的ndarray数组类型
1：ndarray数组创建函数
array：将输入的序列数据类型转换成ndarray，默认直接复制输入的数据
asarray：与array一样，只不过假如输入本身就是一个ndarray，就不进行复制
arange：类似于内置的range，但是返回的是一个ndarray类型而不是普通列表
>>> range(10) [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] >>> np.arange(10) array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
ones，ones_like：根据指定的形状和dtype创建一个全为1的数组；ones_like以另一个数组为参数，并根据其形状和dtype创建一个全1数组
zeros，zeros_like：和上面一样，只不过创建的全0数组
empty，empty_like：创建新数组，只分配内存空间，但没填充数据
eye，identity：创建一个正方的N * N单位矩阵（对角线为1，其余为0）
>>> np.ones((4, 5))
array([[ 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1.],
[ 1., 1., 1., 1., 1.]])
>>> np.zeros((4, 5))
array([[ 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 0.]])
>>> np.eye(5)
array([[ 1., 0., 0., 0., 0.],
[ 0., 1., 0., 0., 0.],
[ 0., 0., 1., 0., 0.],
[ 0., 0., 0., 1., 0.],
[ 0., 0., 0., 0., 1.]])
2：ndarray数据类型
NumPy中数据类型一大堆，都可以通过dtype来查看，其实dtype也是一个特殊的对象（好像是废话，python一切皆为对象），它包含了ndarray将一块内存解释为特定数据类型所需要的信息，比如下面例子
>>> data = [1, 2, 3]
>>> a = np.array(data, dtype=np.float64)
>>> b = np.array(data, dtype=np.int32)
>>> a.dtype
dtype('float64')
>>> b.dtype
dtype('int32')
类型后面一个数字表示了元素位长，类型可以自行网上搜索下，8~128位的数据类型都有，甚至还有object，string，unicode等
可以通过ndarray的astype方法显式转换dtype
>>> data = [1, 2, 3]
>>> a = np.array(data)
>>> a.dtype
dtype('int64')
>>> a
array([1, 2, 3])
>>> b = a.astype(np.float64)
>>> b.dtype
dtype('float64')
>>> b
array([ 1., 2., 3.])
再来个字符串
>>> c = a.astype(np.string_)
>>> c.dtype
dtype('S24')
>>> c
array(['1', '2', '3'],
dtype='|S24')
虽然很奇怪，但是好像很厉害的样子
3：数组计算
这里数组可以批量计算
>>> import numpy as np
>>> data = ([1, 2, 3], [4.1, 5.2, 6.3])
>>> a = np.array(data)
>>> a
array([[ 1. , 2. , 3. ],
[ 4.1, 5.2, 6.3]])
>>> a * a
array([[ 1. , 4. , 9. ],
[ 16.81, 27.04, 39.69]])
>>> a / a
array([[ 1., 1., 1.],
[ 1., 1., 1.]])
>>> a - a
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
>>> 1 / a
array([[ 1. , 0.5 , 0.33333333],
[ 0.24390244, 0.19230769, 0.15873016]])
>>> a ** 2
array([[ 1. , 4. , 9. ],
[ 16.81, 27.04, 39.69]])
突然有种高达上的感觉~！
