Numpy本身并没有提供多么高级的数据分析功能，理解 Numpuy 数组以及面向数组的计算将有助于你更加高效的使用诸如 pandas 之类的工具
Pyhton 中用列表保存一组值，可将列表当成是数组使用。此外，Python 有 array 模快，但他不支持多维数组，无论是列表还是 array 模块都没有科学运算函数，不适合做矩阵等科学计算。因此，Numpy没有使用 Python 本身的数组机制，而是提供了 ndarray 数组对象，该对象不断能方便的存取数组，而且拥有丰富的数组计算函数，比如向量的加法、减法、乘法等。
使用 ndarray 数组，首先需要导入 Numpy 函数库，也可以直接导入该函数库：
from numpy import *
或指定导入库的别名（在引入多个库的时候，推荐使用这个方法）。
import numpy as np
1、创建数组：
a = np.array([[1,2,4.0],[3,6,9]])
# 查看行数
a.ndim
#2
# 查看数组的维数，返回(n,m)， 其中 n 为行数，m 为列数。
a.shape
#(2,3)
# 查看元素的类型，比如 numpy.int32、numpy.float64
a.dtype
#dtype(‘float64‘)
2、Numpy的特殊数组主要有以下几种：
- zeros数组：全零数组，元素全为0；
- ones数组：全1数组，元素全为1;
- empty数组：空数组，元素全近似为0；
np.zeros((2,3))
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
np.ones((3,4))
array([[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.],
[ 1., 1., 1., 1.]])
1.3 序列数组
arange函数：他与 Python 的 range 函数相似，但他属于Numpy 库，其参数依次为：开始值、结束值、步长。
np.arange(1,20,5)
array([ 1, 6, 11, 16])
我们还可以使用 linspace 函数创建等差序列数组，其参数依次为：开始值、结束值、元素数量
np.linspace(0,2,9)
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
1.4 数组索引?
Numpy 数组的每个元素、每行元素、每列元素都可以用索引访问，不过注意：索引是从 0 开始的。
其操作与列表基本相同。
a = np.array([[1,2,4.0],[3,6,9]])
# 取 a 的第一行元素
a[0]
array([ 1., 2., 4.])
# 取 a 的第二列元素
a[:,1]
array([ 2., 6.])
# 取 a 的第一行的第三个元素
a[0,2]
4.0