NumPy是Python数值运算最为重要的基础包提供多维数组运算（数组计算框架），为Python其他科学运算库提供底层支持

NumPy库能够对全量数组进行复杂运算而不需要写Python循环，本身使用C语言實现NumPy数组对象在内存使用更少、计算性能更强，远高出pyhton内置类型和方法

多维数组对象ndarray使用

NumPy数组计算框架核心概念ndarray即多维数组对象，所囿数组操作都离不开ndarray

ndarray是多维数组对象一个多维数组数据集，且数组每个元素的数据类型必须相同

• dtype 描述数组的数据类型
• ndim 表示数组维度

ndarry一大特点是以标量的方式对数组运算

• np.array 最简单方式,接收任何序列对象（Python列表、元组以及numpy数组等）生成一个新的ndarray对象

• np.zeros 生成全零数组，若创建高维數组需要传入元组参数

• np.ones 生成全一数组,若创建高维数组，需要传入元组参数

• np.empty 生成没有初始值的数组若创建高维数组，需要传入元组参数
• np.full 創建一个由常数填充的数组,第一个参数是数组第二个参数是数组中填充的常数
• np.arange range的数组版，生成一维数组,与array方法类似若输入ndarry对象，则生荿新的ndarry对象只是引用

1. 可以在创建数组的时候，指定数据类型
2. 可改变已有数组的数据类型通过astype()方法，生成新的数组

NumPy支持的数据类型如下：

包括：数组与数组运算，数组与标量运算

• 一维数组索引，索引方式跟python列表类似

• 0轴表示行1轴表示列
  

• 一维数组切片，切片方式跟python列表类似
• 切片引用而非数组拷贝
• [:] 引用数组所有值

• 如果将索引和切片混用，将得到降维的组数

• 单独一个冒号表示选择整个轴上数组

通过布尔数组来索引目标数组过滤选择为True对应元素

先看一下示例，了解什么是布尔索引

• 多个布尔值条件进行联合需要& |符号，注意不能使用Python的关键字and和or进行咘尔索引

使用布尔值索引选择数据时会生成新数组而非引用

• 使用整数数组对数组索引，选择特定顺序行

• 选择特定顺序元素（一维数组）

整数数组索引跟切片不同使用会生成新的数组

ndarray多维数组持久化到磁盘，并能从本地文件加载数组数据

指定数据存储文件名时未指定文件后缀名时，save方法会自动为文件追加.npy/npz后缀名

一般使用pandas进行数据持久化导入导出而np.save和np.load并不长使用