NumPy(Numerical Python) 是一个开源的Python 科学计算库，它是 Python科学计算库的基础，许多其他著名的科学计算库如Pandas、Scikit-learn等，都要用到NumPy 库的一些功能。

NumPy 允许在Python 中做向量和矩阵的运算，而且很多底层的函式都是用C 语言写的，将获得在普通 Python 中无法达到的运算速度。

检视NumPy 版本

print(np.__version__)

输出结果：1.16.2

使用关键字 import 汇入 numpy模组，为了使用方便，通过关键字 as 对其进行别名处理。

NumPy的阵列为ndarray

a = np.array([7,2,9,10])

shape - 显示阵列的维度。为一个整数元祖，表示每个维度上的大学。对于一个 n 行 m列的矩阵来说，shape 就是 (n, m)。

a = np.array([[5.2,3.0,4.5],[9.1,0.1,0.3]])

a = np.array([[[1,11],[2,22],[12,21]],[[3,33],[4,44],[34,43]],[[5,55],[6,66],[56,65]],[[7,77],[8,88],[78,87]]])

当打印阵列时，NumPy以与巢状列表类似的方式显示它，具有以下布局：

最后一个轴从左到右打印，倒数第二个从上到下打印，其余的也从上到下打印，每个切片与下一个用空行分开。一维阵列被打印为行、二维为矩阵和三维为矩阵列表。

如下是ndarray的一维、二维、三维 阵列的视觉化表示。

ndarray 物件提供的关键属性：

ndarray.ndim：阵列的轴（维度）的个数。在Python世界中，维度的数量被称为rank。ndarray.shape：阵列的维度。这是一个整数的元组，表示每个维度中阵列的大小。对于有n行和m列的矩阵，shape将是(n,m)。因此，shape元组的长度就是rank或维度的个数 ndim。ndarray.size：阵列元素的总数。这等于shape的元素的乘积。ndarray.dtype：一个描述阵列中元素型别的物件。可以使用标准的Python型别建立或指定dtype。另外NumPy提供它自己的型别。例如numpy.int32、numpy.int16和numpy.float64。ndarray.itemsize：阵列中每个元素的字节大小。例如，元素为 float64 型别的阵列的 itemsize 为8（=64/8），而 complex32 型别的阵列的 itemsize 为4（=32/8）。它等于 ndarray.dtype.itemsize 。ndarray.data：该缓冲区包含阵列的实际元素。通常，我们不需要使用此属性，因为我们将使用索引访问阵列中的元素。

ones 和 zeros 系列函式

函式 zeros 建立一个由0组成的阵列，函式 ones 建立一个由1阵列的阵列，函式 empty 内容是随机的并且取决于储存器的状态。预设情况下，建立的阵列的dtype是 float64。

操作示例如下：

>>> np.zeros((3,4))

array([[0., 0., 0., 0.],

[0., 0., 0., 0.],

[0., 0., 0., 0.]])

>>> np.ones((2,3,4), dtype=np.int16)

array([[[1, 1, 1, 1],

[1, 1, 1, 1],

[1, 1, 1, 1]],

[[1, 1, 1, 1],

[1, 1, 1, 1],

[1, 1, 1, 1]]], dtype=int16)

>>> np.empty((2,3))

array([[5.2, 3. , 4.5],

[9.1, 0.1, 0.3]])

arange函式建立阵列

arange函式为 arrange(start=None, stop=None, step=None, dtype=None)，根据start 与 stop 指定的范围以及step 设定的步长，生成一个 ndarray。

>>> np.arange(12)

array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])

>>> np.arange(1,2,0.1)

array([1. , 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9])

reshape 函式更改阵列形状

T 转置操作

b=a.T