NumPy 数据类型
NumPy 支持的数据类型比 Python 内置的类型要多，下表列举了常用 NumPy 基本类型。
表 2.2.1 NumPy 支持的数据类型
名称 | 描述 |
bool | 布尔型数据类型（True 或者 False） |
int | 默认的整数类型（类似于 C 语言中的 long，int32 或 int64） |
int8 | 字节（-128 to 127） |
int16 | 整数（-32768 to 32767） |
int32 | 整数（-2147483648 to 2147483647） |
int64 | 整数（-9223372036854775808 to 9223372036854775807） |
uint8 | 无符号整数（0 to 255） |
uint16 | 无符号整数（0 to 65535） |
uint32 | 无符号整数（0 to 4294967295） |
uint64 | 无符号整数（0 to 18446744073709551615） |
float | float64 类型的简写 |
float16 | 半精度浮点数，包括：1 个符号位，5 个指数位，10 个尾数位 |
float32 | 单精度浮点数，包括：1 个符号位，8 个指数位，23 个尾数位 |
float64 | 双精度浮点数，包括：1 个符号位，11 个指数位，52 个尾数位 |
complex | complex128 类型的简写，即 128 位复数 |
complex64 | 复数，表示双 32 位浮点数（实数部分和虚数部分） |
complex128 | 复数，表示双 64 位浮点数（实数部分和虚数部分） |
NumPy ndarray对象
NumPy 内包含一个常用的对象 ndarray (N-dimension array)，也是存储和变换数据的主要⼯具，特点是具有 N 维数组，是一系列同类型数据的集合，以 0 为下标索引。ndarray 具有以下特性：
- 是用于存放同类型元素的多维数组。
- 每个元素在内存中都有相同存储大小的区域。
NumPy 数组 (array) 的维度 (dimesions) 称为秩（rank），秩就是轴（axis）的数量，即数组的维度，一维数组的秩为 1，二维数组的秩为 2，以此类推。
在 NumPy中，每一个线性的数组称为是一个轴，也就是一个维度。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是 NumPy 中的轴（axis），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。行为水平的，如同平面坐标的 Y 轴，列为垂直的，如同平面坐标的 X 轴。
NumPy 的数组中比较重要 ndarray 对象属性有：
属性 | 说明 |
ndarray.ndim | 秩，即轴的数量或维度的数量 |
ndarray.shape | 数组的维度，对于矩阵，n 行 m 列 |
ndarray.size | 数组元素的总个数，相当于 shape 中 n*m 的值 |
ndarray.dtype | ndarray 对象的元素类型 |
ndarray.itemsize | ndarray 对象中每个元素的大小，以字节为单位 |
ndarray.flags | ndarray 对象的内存信息 |
ndarray.real | ndarray元素的实部 |
ndarray.imag | ndarray 元素的虚部 |
ndarray.data | 包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。 |
我门透过以下例子来说明说明轴、维度与秩的关系，底下我们建立一个二维数组，大小为 3 * 2 ( 3 行，2 列)，而所谓的 轴 0，就是针对每一行进行操作，轴 1 ，就是针对每一列进行操作，比较简单的判断方法就是 shape 的第 1 的数就是 axis 0，第 2 的数就是 axis 1。
| |
1 | 2 |
3 | 4 |
5 | 6 |
实例
import numpy as np
# 创建一个 3*2 的数组
a = np.array([[1, 2], [3, 4], [5, 6]])
a
# 显示 ndarray 的形状
a.shape
# 显示 ndarray 轴的数量或维度的数量
a.ndim
# 对 轴 0 进行加总
a.sum(axis=0)
# 对 轴 1 进行加总
a.sum(axis=1)运行结果如下图所示， ndarray.shape 中的呈现方式是 行 * 列。
圖 2-2-1 ndarray的基本操作
