Numpy是科学计算当中最常用的python工具库之一，是很多工具库的基础，掌握Numpy的一些基本概念对科学计算有很大的帮助，下面我们就来简单聊一聊Numpy吧。
这一节里我们主要讲一讲，Numpy里最主要的数据类型ndarray，它也称作array。（这里需要敲一下小黑板啦！numpy.array可和python标准库中的array不是一回事哦，它可比标准库里的array多了许多属性呢。）在Numpy里，ndarray是由同一类型的小伙伴（主要为数据类型的）构成的一个类似于表的数据结构（暂且这么称呼吧）。假如这群小伙伴存在于N维空间中，那么就有一个N维的数据结构，Numpy中把维度称为轴（axes，就像平面坐标系里的X轴、Y轴），轴的数目被称为阶（rank），它刻画了这群小伙伴存在空间的维度。
首先，我们看看ndarray这个东西怎么创建呢？
例如，[[1,0,2],[2,3,4]]
这就是一个2*3的ndarray数组，Numpy里用方括号表示ndarray。
最简单的创建ndarray的方法是用如下命令：
np.array([1,2,3]) #创建ndarray
np.zeros((3,4)) #创建3*4的元素都为0的ndarray
#np.ones()和np.empty()也是创建ndarray的方法，参数和np.zeros()相同，用(row, col)表示其规模.
第二，我们看看ndarray的索引index
在Numpy里ndarray的索引是从0开始的，这点要牢记，以免产生越界错误哦。
>>a = np.array([0, 1, 8, 27, 64, 125, 216, 343, 512, 729])
>>a[2]
8
>>a[2:5]
8,27,64 #这个地方要注意，它相当于索引[2,5)，是不包括a[5]的哦
对于多维数组，索引时用逗号","分隔索引序数，
>>b = np.array([[1, 2, 3], [4, 5, 6]])
>>b[0,0]
1
>>b[ : , 1] #取第二列所有的数
[2, 5]
>>b[1, 1:3] #取第二，第二、三列的数
[5,6]
第三，规模的改变
Numpy提供了reshape函数，可以修改ndarray的规模。
比如，
>>a = a = np.array([1,2,3,4,5,6])
>>c = a.reshape((2,3))
[[1,2,3],[4,5,6]]
第四，基本运算
Numpy提供了矩阵相关的基本运算功能。
a = [[1,2,3],[4,5,6]]
b = [[1,2],[3,4],[5,6]]
>>np.dot(a, b) #矩阵乘法，两个矩阵规模为(n,m)和(m,k)
>>a * a #数组对应元素相乘，*两边矩阵规模必须一致
>>a + a #数组对应元素相加，*两边矩阵规模必须一致