NumPy是用Python.进行科学计算，尤其是数据分析时，所用到的一个基础库。它是大量Python
数学和科学计算包的基础，比如后面要讲到的pandas)库就用到了NumPy。pandas库专门用于数据
分析，充分借鉴了Python标准库NumPy的相关概念。而Python标准库所提供的内置工具对数据分
析方面的大多数计算来说都过于简单或不够用。

1.numpy简介

Pytho语言诞生不久，开发人员就产生了数值计算的需求，更为重要的是，科学社区开始考
虑用它进行科学计算。
1995年，Jim Hugunin开发了Numeric,这是第一次尝试用Python进行科学计算。随后又诞生了
Numarray包。这两个包都是专门用于数组计算的，但各有各的优势，开发人员只好根据不同的使用
场景，从中选择效率更高的包。由于两者之间的区别并不那么明确，开发人员产生了把它们整合为
.个包的想法。Travis Oliphanti遂着手开发NumPyl库，并于2006年发布了它的第一个版本(v1.0)。
从此之后，NumPy成为Python科学计算的扩展包。如今，在计算多维数组和大型数组方面，
它是使用最广的。此外，它还提供多个函数，操作起数组来效率很高，还可用来实现高级数学运
算。
当前，NumPyz是开源项目，使用BSD许可证。在众多开发者的支持下，这个库的潜力得到了
进一步挖掘。

2.安装numpy

pip install numpy

3.ndarry : numpy库的心脏

整个NumPy库的基础是ndarray(N-dimensional array,W维数组)对象。它是一种由同质元素
组成的多维数组，元素数量是事先指定好的。同质指的是几乎所有元素的类型和大小都相同。事
实上，数据类型由另外一个叫作dtype(data-ype,数据类型)的NumPy对象来指定；每个ndarray
只有一种dtype类型。
数组的维数和元素数量由数组的型(shape)来确定，数组的型由N个正整数组成的元组来指
定，元组的每个元素对应每一维的大小。数组的维统称为轴(axes),轴的数量被称作秩(rank)。
NumPy数组的另一个特点是大小固定，也就是说，创建数组时一旦指定好大小，就不会再发
生改变。这与Python的列表有所不同，列表的大小是可以改变的。
定义ndarray最简单的方式是使用array()函数，以Python列表作为参数，列表的元素即是
ndarray的元素。

import numpy as np  
a = np.array([1,2,3])  
print(a[1])

3.1 创建数组

数组的创建方法有几种，最常用的就是前面你见过的，使用arry()函数，参数为单层或嵌套列表。

import numpy as np  
a = np.array([[1,2,3],[1,2,3]])  
print(a)

除了列表，array()函数还可以接收嵌套元组或元组列表作为参数。

a = np.array(((1,2,3),(1,2,3)))  
print(a)

此外，参数可以是由元组或列表组成的列表，其效果相同。

a = np.array(((1,2,3),[1,2,3],(1,2,3)))  
print(a)

3.2数据类型

到目前为止，我们只使用过简单的整型和浮点型数据类型，其实NuPy数组能够包含多种数据类型。

3.3dtype

array()函数可以接收多个参数。每个ndarray()对象都有一个与之相关联的dtype对象，该对
象唯一定义了数组中每个元素的数据类型。array()函数默认根据列表或元素序列中各元素的数
据类型，为ndarray()对象指定最适合的数据类型。但是，你可以用dtypej选项作为函数array()
的参数，明确指定dtypel的类型。
例如，如要定义一个复数数组，可以像下面这样使用dtype选项：

a = np.array(((1,2,3),[1,2,3],(1,2,3)),dtype=complex)  
print(a)