还有谁使用NumPy？
NumPy完全支持面向对象的方法，再次从ndarray开始。例如，ndarray是一个类，具有许多方法和属性。它的许多方法都由最外层的NumPy命名空间中的函数反映，从而允许程序员以他们喜欢的任何范式进行编码。这种灵活性使NumPy数组方言和NumPy?ndarray类成为了Python中使用的多维数据交换的事实上的语言。
特点：快速、方便、科学计算库
numpy创建数组（矩阵）
import numpy as np
#创建数组
a = np.array([1,2,3,4,5])
b = np.array(range(1,6))
c = np.arange(1,6)#b和c相比，方便
print(a,b,a)
#上面创建a,c都相同，都是创建了一个一维数组
数组的类名
a = np.array([2,5,6])
print(type(a))
数组的类型
?
?
数据类型的操作
指定创建的数组的数据类型
# a = np.array([1,0],dtype=np.bool)#或者使用dtype="？"
a = np.array([1,dtype="?")#或者使用dtype="？"
print(a)
修改数组的数据类型
# a.astype("i1")#或者使用a.astype(np.int8)
a.astype(np.int8)
修改浮点型的小数位数
import random
#生成一维10个数的数组
a = np.array([random.random() for i in range(10)])
print(a)
print(type(a))
print(a.dtype)
#保留几位小数
b = np.round(a,2)
print(b)
?
?
数组的形状
a = np.array([[1,5],[6,7,8,9,10]])
a
?
查看数组的形状
b = a.reshape(5,2)
print(b)
print(a)#可以看出修改形状，不是在a的基础上修改
#是备份修改的
?
?
?
?
把数组转化为1维数据
c = b.reshape(1,10)##注意这不是一维数组，这是二维
print("c",c)
d = b.reshape((10,))
print("d",d)#这才是一维数组 注意看中括号
b.flatten()#这个是一维的
b.reshape(1,10)#这个是二维的
?
?
?
数组和数的计算
有趣吧，这是一个numpy的广播机制造成的，在运算过程中，加减乘除的值被广播到所有的元素上面（有点像计算机网络同一个局域网中广播机制）
数组和数组的计算(我将jupyter notebook中练习直接截图出来)
?
?
?
?
?在上面可以看出结果中有inf这个标志，这是无穷大的意思，是无穷大单词的缩写。
不同维度的数组计算:
?
?
?
?
?
?
?
?
总结：上面（ValueError: operands could not be broadcast together with shapes (3,4) (1,3)）这个错误是由于数组t1与t3在任一维度没有相等的，
所以不能进行运算。无论多维，只要存在一个维度相当，即可参与运算。
广播原则
- 如果两个数组的后缘维度(trailing dimension,即从末尾开始算起的维度)的轴长度相符或其中一方的长度为1，则认为它们是广播兼容的。广播会在缺失和(或)长度为1的维度上进行。
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)的数组能够和(3,2)的数组进行计算么?
答案是不能的，在任意维度没有相同的，是不能进行运算的。
shape为(3,2)的数组能够和(3,2)的数组进行计算么? 有什么好处呢?
可以进行运算，存在维度相同，换句话来说理解有点难，那么可以想出一维与二维进行运算的条件也就是这个意思。
举个例子:每列的数据减去列的平均值的结果
轴(axis)
在numpy中可以理解为方向,使用0,1,2...数字表示，对于一个- -维数组,只有一个0轴,对于2维数组(shape (2,2)),有0轴和1轴，对于三维数组(shape(2,2，3)),有0,2轴
有了轴的概念之后，我们计算会更加方便，比如计算一个2维数组的平均值，必须指定是计算哪个方向上面的数字的平均值
那么问题来了:
在前面的知识，轴在哪里?
回顾np. arange (0,10). reshape (2,5)),reshpe中2表示0轴长度(包含数据的条数)为2,1轴长度为5,2*5-共10个数据
?
?
二维数组的轴：
三维数组的轴：
