不用 Python 非好汉，不晓 NumPy 真遗憾
# 导入 NumPy， 开始学习
import numpy as np
NumPy 是 Numerical Python 的简称，它是目前 Python 数值计算
0 NDArray —— 多维数组对象
多维数组对象
NDArray（ N-dimensional array ）是学习 NumPy 的基础：
- 快速 而 灵活 的 大数据集容器
- 存储 和 变化 数据 的 主要工具
它有多快，它有多灵活？
且听我慢慢道来。
1 生成 NDArray
首先，我们可以使用 np.array()
也可使用以下的方法，我们只需将生成元素的数量传给它们：
你看这个数组，它又方又正，
我们需要一些属性去描述它。
这里有三个属性 np.ndim 、np.shape 和 np.dtype :
- np.ndim ：描述数组的 维度，dimension 维度
- np.shape ：表征数组每一维度的 数量
- np.dtype ：描述数组的 数据类型
我们以 np.zeros()
- shape : 整数 或 整数元组 ，例如 3 或 （2，3）
- dtype : 默认为 np.float64
- order
向 np.shape 传递参数，我们就能创建 多维数组
图解 np.shape
这里补充一下， np.reshape()
图解 np.reshape()
下面是常用的 数组生成函数 ：
数组生成函数
创建数组后，就可以开始以有趣的方式操作它们了。
1.2 NDArray 的数据类型
等等刹个车，
某些应用场景下，我们还需要考虑数组的 数据类型 :
- np.dtype ：查看 数组 数据类型
- np.astype() ： 修改 数组 数据类型
下面是常用的 NumPy 数据类型 ：
NumPy 数据类型
我们还可以将 数字字符串 转换为 数字：
数字字符串 → 数字
好了，终于可以开始有趣的操作数组了。
1.3 NumPy 数组运算
讲重点了，
数组之所以 重要 是因为它允许你进行 批量操作 而无须任何 for 循环。
这种特性被称为 向量化 ：
- 任何在 两个等尺寸数组 之间的算术操作都应用了 逐元素操作
让我们创建两个 NumPy 数组来展示它们的用途：
向量化 加减乘除
当然也可以进行 标量
Python 的 for 循环慢的可怕，用 向量化 计算可以快百倍。
1.4 基础索引与切片
一维数组 索引与切片
二维数组 索引与切片
值得强调的是 切片 是 左闭右开，这是个坑，
里面躺在很多人，包括我。
这里有两个概念需要说明：
- 副本：拷贝，物理内存不在同一位置
- 视图：引用，物理内存在同一位置
显然 视图 更节约内存空间，
那什么时候是“副本”，什么时候是“视图”呢？
答：
Python 序列 的 切片 属于 副本；
Numpy np.array 的 切片 属于 视图。
如果想要一份 数组切片的拷贝 而不是视图的话，就必须 显式地复制 这个数组，例如 data[1:3].copy()。
1.5 布尔索引
数组比较操作（比如 ==）也是可以 向量化
我们先创建两个数组，
一个代表姓名（name），
一个代表对应的成绩（score）：
进行 布尔索引：
查看 Yellow 的成绩：
Yellow 不错呀
看看谁没有及格：
原来是 Wangcai 呀
看看不及格成绩：
可怜的 Wangcai
这里需要强调的是 布尔索引 总是生成数据的 拷贝。
1.6 神奇索引
神奇索引，一个 magical 的名字，
它是 Numpy 中的术语，用于描述使用 整数数组
神奇索引的结果总是 一维
神奇索引在赋值时，有妙用。
这里需要强调的是 神奇索引 也总是生成数据的 拷贝。
1.7 数组转置和换轴
转置 np.T
换轴 np.transpose() :
- 接受包含轴编号的元组，用于置换轴
二维数组 置换轴：
二维数组置换轴
看到这里，会想这个有什么用呢，不是转置吗？
如果有这个疑问，可以看看下面三维的使用。
三维数组 置换轴：
可以看我下面这个回答，就对三维数组巧妙地使用了 np.transpose()，实现了 图像信号信道分离 、 信道重组 ：
一副图像，是（3,566,800）这种形式，如何变成（566,800,3）这样形式？www.zhihu.com
本文参考：
名称：A Visual Intro to NumPy and Data Representation 作者：Jay Alammar
名称：Python for Data Analysis 作者：Wes McKinney
