Numpy是Python的处理数据的库，学习Numpy可以更深入的了解Pandas
numpy ndarray对象
n维数组对象ndarray是一系列同类型数据的集合
创建一个ndarray：
（1）numpy.array（object,dtype = None, copy = True, order = None, subok = False, ndmin = 0）
（2）np.asarray（a, dtype = None, order = None）
numpy.array 与 numpy.asarray 区别
numpy.array 和 numpy.asarray 都可以将输入数据转换为 ndarray，但两者的主要区别在于：
内存行为：
当数据源是一个 ndarray 时：
¡ np.array 会复制数据，创建一个新的副本，占用额外内存。
¡ np.asarray 不会复制数据，而是直接使用原数据的内存。
应用场景：
l 使用 np.array 时，不论数据源为何，总是返回一个独立的副本。
l 使用 np.asarray 时，如果数据源已经是 ndarray，它只是返回一个引用，不会进行复制。
numpy数据类型
通过numpy.dtype（）可以赋予改变ndarray类型
numpy数组属性
numpy.reshape（）改变数组大小，并且返回的是视图，若想返回副本，需要numpy.reshape（）.copy（）
创建数组
numpy.arange( start, stop, step, dtype ).reshape( n, n )
等差数列：np.linspace（start, stop, num=50,endpoint=True, retstep=False, dtype=None）
等比数列：np.logspace（start, stop, num=50,endpoint=True, base=10.0, dtype=None）
numpy.ones( n )、numpy.zeros（n）、numpy.empty（不常用）
补充：np.zeros.like（）、np.ones.like（）、random.randn（）、random.randint (start,stop，size)
np.eye输出：
n [[1. 0. 0. 0. 0.]
n [0. 1. 0. 0. 0.]
n [0. 0. 1. 0. 0.]
n [0. 0. 0. 1. 0.]
n [0. 0. 0. 0. 1.]]
切片和索引
切片：ndarray[ start:stop:step]
索引：
整数数组索引： 整数数组索引是指使用一个数组来访问另一个数组的元素。这个数组中的每个元素都是目标数组中某个维度上的索引值。
布尔索引： 布尔索引通过布尔运算（如：比较运算符）来获取符合指定条件的元素的数组。
花式索引：花式索引指的是利用整数数组进行索引。花式索引根据索引数组的值作为目标数组的某个轴的下标来取值。
对于使用一维整型数组作为索引，如果目标是一维数组，那么索引的结果就是对应位置的元素，如果目标是二维数组，那么就是对应下标的行。
花式索引跟切片不一样，它总是将数据复制到新数组中。
np.ix_（）： np.ix_ 函数就是输入两个数组，产生笛卡尔积的映射关系。例如 A={a,b}, B={0,1,2}，则：
A×B={(a, 0), (a, 1), (a, 2), (b, 0), (b, 1), (b, 2)}
B×A={(0, a), (0, b), (1, a), (1, b), (2, a), (2, b)}
广播机制
对两个数组，分别比较他们的每一个维度（若其中一个数组没有当前维度则忽略），满足：
l 数组拥有相同形状。
l 当前维度的值相等。
l 当前维度的值有一个是 1。
若条件不满足，抛出"ValueError: frames are notaligned"异常。
tile()：就是将原矩阵横向、纵向地复制。以行方向复制三倍，列方式复制两倍：tile（a，（3,2））
迭代器
np.nditer（a，order=“c/f”）
迭代数组：for i in np.nditer（a）： print（i）