为什么要学习numpy：1快速，2方便，科学计算的基础库。注意其处理的是数值型数据，字符串类型的数据是没有办法处理的（字符串数据一般使用pandas处理，后续会进行讲解）。
numpy的数组的创建
什么是numpy： 一个在Python中做科学计算的基础库，重在数值计算，也是大部分PYTHON科学计算库的基础库，多用于在大型、多维数组上执行数值运算
numpy创建数组(矩阵)
编写简单代码如下，我们就能创建一个numpy类型的数组。
import numpy as np
t1 = np.array([1,2,3,4,])
print(t1)
print(type(t1))
运行之后打印信息如下：
[1 2 3 4]
<class 'numpy.ndarray'>
可以发现，他和list的区别，首先类型不一样。然后就是打印出来没有“，”号了。其类型为numpy.ndarray类型。我们再添加代码：
t1 = np.array(range(10))
t2 = np.arange(10)
print(t1)
print(t2)
打印如下：
[0 1 2 3 4 5 6 7 8 9]
[0 1 2 3 4 5 6 7 8 9]
可以知道在np.array(range(10))与numpy中的np.arange(10)是一样的，继续添加代码如下：
print(t2.dtype)
打印如为int32，那么这种类型是什么类型呢？如下总结：
在创建数组的时候，我们可以指定数组成员的类型（一般我们是不用关心的，只有在需要考虑内存的时候才涉及类型的选择）：
t4 = np.arange(10, dtype="float")
print(t4)
print(t4.dtype)
t4 = np.arange(10, dtype=float)
print(t4)
print(t4.dtype)
t4 = np.arange(10, dtype="i2")
print(t4)
可以看到，创建数据的时候，我们可以通过dtype参数指定数组的类型，并且可以直接传递类型，或者字符串形式的类型代码。
如果一个数组，在创建好了之后，我们还想修改他的数据类型，我们怎么去完成呢？添加如下代码：
t5 = t4.astype("int64")
print(t5)
print(t5.dtype)
打印信息如下：
[0 1 2 3 4 5 6 7 8 9]
int64
代表类型转换完成，在python中我们可以编写如下代码：
t7 = np.array([random.random() for i in range(10)])
print(t7)
print(t7.dtype)
运行之后得到10个随机小数，然后我们使用numpy可以对该小数数组进行操作，添加如下代码：
t8 = np.round(t7,2)
print(t8)
打印信息如下：
[0.81 0.9 0.5 0.42 0.59 0.01 0.42 0.21 0.74 0.88]
可以看待，该数组值保留了最后两位，其使用的方法和python中round的用法一样。
数组的形状和计算
在numpy数组中，其数组有一个重要的属性，叫做数组的形状。形状代表的是他的维度。如通过：
t1 = np.arange(12)
创建出来的数组，为一个一维数组，
我们看下他的形状
print(t1.shape)
我们可以看到打印出：(12,)，可以知道其为一个元组，该元组的长度，代表他所属的维度，可以知道其长度为1，所以他是一个一维数组，该数组共有12个元素。我们再做以下试验：
t2 = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12,]])
print(t2.shape)
得到打印信息如下：
(4, 3)
我们可以看到，其表示t2是一个2维数组（该元组的长度为2），并且这个二维数组是一个4行3列的数组。下面我们再做一个三维的试验
t3 = np.array([[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]]])
print(t3.shape)
print(t3)
打印信息如下：
(5, 4, 3)
[[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]]
从打印来看(5, 4, 3)，我们知道其为一个3位数组，他分成了5个块，并且每个块都是一个二维数组。一般来说，二维数组以上的维度我们很少使用，但是二维数组我们是经常使用的，所以需要熟悉掌握。
在定义完成一个数组的形状的时候，我们有可能在后续的编写中，需要其改变他的形状，这时候会涉及一个函数为reshape(),其用法介绍如下：
t4 = np.arange(12)
t5 = t4.reshape((3,4))
print(t5)
打印信息如下：
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
如上，我们可以知道t4肯定是一个一维，但是通过reshape方法之后，其变化成了一个二维数组，这里有注意，就是改变形状之后，其元素的个数是不能改变的，如t4中的元素为12个，那么reshape(3,4)改变形状之后也必须保证为12个，这里我们可以知道3*4=12,一般来说，只要reshape中所有的参数乘积为所有元素个数总和即可。
在前面的图示中，还有还有一个flatten函数，从名字上看，我们也能猜测到其功能为把一个多为数组变为一个平面数组，即一维数组，如下：
t3 = np.array([[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]],
[[1,2,3],[4,5,6],[7,8,9],[10,11,12,]]])
t6 = t3.flatten()
print(t6)
打印信息如下：
[ 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12]
除了以上函数我们也可以使用reshape，不过此时需要我们计算出t3元素的个数，如：
t7 = t3.reshape((60,))
print(t7)
也能得到一样的打印信息。使用如下方法也一样：
t7 = t3.reshape((1,60))
print(t7)
表示为，这是一个二维数组，但是其只有一行，注意：该处为二维数组，打印如下：
[[ 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 7 8 9 10 11 12]]
我们可以发现外面多了一对中括号。
数组计算
numpy中的数组，是可以进行计算的，接着之前添加如下代码：
print(t2 + 2 )
打印信息如下：
[[ 3 4 5]
[ 6 7 8]
[ 9 10 11]
[12 13 14]]
其使用计算的时候，其或作用于数组的没一个数组（或者说元素），类似于广播，即法发送+2的广播给灭一个成员。其加减乘除都是同样的道理。
下面我们执行如下操作：
t5 = t1/0
print(t5)
打印信息如下：
[nan inf inf inf inf inf inf inf inf inf inf inf]
我们发现程序并没有运行错误，但是出现了一个警告，当然这并不影响我们进行计算。可以看到其计算的结果又两种：nan，inf。nan为0/0的结果，inf为一个数值除以0的结果。
nan翻译为英文为not num(不是数字)，inf(infinite:无穷，无限)，在numpy中0表示一个无限小的数，所以一个数字除以一个无限小的数，其结果为无穷。0/0其结果在numpy中不认为是一个数字。
下面我们对两个二维数字进行先加：
t5 = np.arange(24).reshape((4,6))
t6 = np.arange(100,124).reshape((4,6))
print(t5 + t6)
打印结果如下：
[[100 102 104 106 108 110]
[112 114 116 118 120 122]
[124 126 128 130 132 134]
[136 138 140 142 144 146]]
可以发现，两个形状一样的数组是可以进行相加运算的，他们以一一对应的形式相加。乘除也是一样。我们在做以下试验：
t7 = np.arange(6)
t8 = np.arange(24).reshape((4,6))
print(t7 - t8)
打印结果如下
[[ 0 0 0 0 0 0]
[ 6 6 6 6 6 6]
[12 12 12 12 12 12]
[18 18 18 18 18 18]]
我们发现其依然是可以进行计算的，t7为一个一维数组，即只有一行，然后其会与t8数组中每一行进行计算。因为他们的行的形状是一样额，所以可以进行计算，如我们再做如下操作：
t7 = np.arange(4).reshape(4,1)
t8 = np.arange(24).reshape((4,6))
print(t8 - t7)
我们可以发现，其依旧是可以计算的，只是此时按照列的方式进行计算。因为他们列的形状是一样的。
我们可以得出结论，两个数组的维度不一样，但是只要在某一个维度上，他们的形状相同，则能够进行计算。下面有一个问题：
怎么理解呢?
可以把维度指的是shape所对应的数字个数
那么问题来了:
shape为(3,3,3)的数组能够和(3,2)的数组进行计算么?（不能）
shape为(3,3,2)的数组能够和(3,2)的数组进行计算么?（能）
第一个共为333=27个元素，每次计算6个，是没有办法一一对应计算的。
第二个共为332=18个元素，每次计算6个，是可以计算完成的，并且其月（3,3），（2,3）都能进行计算。从多个方向出发，有兴趣的同学可以深究一下。