# 导入 NumPy， 开始学习
import numpy as np
不用 Python 非好汉，不晓 NumPy 真遗憾
本专栏 将使用 图解 以及 脑图 的方法来记录我的《图解 NumPy 学习笔记》。
NumPy 是 Numerical Python 的简称，它是目前 Python 数值计算 中最为重要的基础包。
——《利用 Python 进行数据分析》
NDArray（ N-dimensional array ）是学习 NumPy 的基础：
快速 而 灵活 的 大数据集容器
存储 和 变化 数据 的 主要工具
它有多快，它有多灵活？
且听我慢慢道来。
首先，我们可以使用 np.array() 直接创建数组：
也可使用以下的方法，我们只需将生成元素的数量传给它们：
你看这个数组，它又方又正，
我们需要一些属性去描述它。
这里有三个属性 np.ndim 、np.shape 和 np.dtype :
np.ndim ：描述数组的 维度，dimension 维度
np.shape ：表征数组每一维度的 数量
np.dtype ：描述数组的 数据类型
我们以 np.zeros() 为例：
shape : 整数 或 整数元组 ，例如 3 或 （2，3）
dtype : 默认为 np.float64
order : 默认 'C' ，行优先
向 np.shape 传递参数，我们就能创建 多维数组 ：
这里补充一下， np.reshape() 的用法：
下面是常用的 数组生成函数 ：
创建数组后，就可以开始以有趣的方式操作它们了。
等等刹个车，
某些应用场景下，我们还需要考虑数组的 数据类型 :
np.dtype ：查看 数组 数据类型
np.astype() ： 修改 数组 数据类型
下面是 常用 的 NumPy 数据类型 ：
我们还可以将 数字字符串 转换为 数字：
好了，终于可以开始有趣的操作数组了。
讲重点了，
数组之所以 重要 是因为它允许你进行 批量操作 而无须任何 for 循环。
这种特性被称为 向量化 ：
任何在 两个等尺寸数组 之间的算术操作都应用了 逐元素操作 的方式
让我们创建两个 NumPy 数组来展示它们的用途：
向量化 加减乘除 ：
当然也可以进行 标量 计算：
Python 的 for 循环 慢的可怕，用 向量化 计算可以快百倍。
值得强调的是 切片 是 左闭右开，这是个坑，
里面躺在很多人，包括我。
这里有两个概念需要说明：
副本：拷贝，物理内存不在同一位置
视图：引用，物理内存在同一位置
显然 视图 更节约内存空间，
那什么时候是“副本”，什么时候是“视图”呢？
答：
Python 序列 的 切片 属于 副本；
Numpy np.array 的 切片 属于 视图。
如果想要一份 数组切片的拷贝 而不是视图的话，就必须 显式地复制 这个数组，例如 data[1:3].copy()。
数组比较操作（比如 ==）也是可以 向量化 的，
我们先创建两个数组，
一个代表姓名（name），
一个代表对应的成绩（score）：
进行 布尔索引：
查看 Yellow 的成绩：
看看谁没有及格：
这里需要强调的是 布尔索引 总是生成数据的 拷贝。
神奇索引，一个 magical 的名字，
它是 Numpy 中的术语，用于描述使用 整数数组 进行数据索引。
神奇索引的结果总是 一维 的。
神奇索引在赋值时，有妙用。
这里需要强调的是 神奇索引 也总是生成数据的 拷贝。
转置 np.T ：
换轴 np.transpose() :
接受 包含轴编号 的 元组，用于 置换轴
二维数组 置换轴：
二维数组置换轴
看到这里，会想这个有什么用呢，不是 转置 吗？
如果有这个疑问，可以看看下面三维的使用。
三维数组 置换轴：
可以看我下面这个回答，就对 三维数组 巧妙地使用了 np.transpose()，实现了 图像信号信道分离 、 信道重组 ：
一副图像，是（3,566,800）这种形式，如何变成（566,800,3）这样形式？
人生苦短，我用 Python ；
人生苦短，我用 NumPy。
下一期，我们将继续图解 NumPy 的 通用函数 。
以上就是 NumPy 多维数组 的基本操作了，其他内容会在后续的文章中继续讲解。
我也会在知乎上寻找问题，使用 NumPy 进行回答，以补充我的专栏文章。
谢谢您的观看，感谢您的收藏点赞，期待您的评论交流。
The End
Last updated: 2019/9/26
本文参考：
名称：A Visual Intro to NumPy and Data Representation 作者：Jay Alammar
名称：Python for Data Analysis 作者：Wes McKinney