Numpy库介绍
NumPy是一个的Python库，主要用于对多维数组执行计算。 NumPy这个词来源于两个单词-- Numerical [nju??mer?kl] （数值;数值法;数值的;数字的）和 Python。主要用来进行数值计算。
有以下几个特点:
1.numpy内置了并行运算功能，当系统有多个核心时，做某种计算时，numpy会自动做并行计算。
2.Numpy底层使用C语言编写，其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码。
3.有一个强大的N维数组对象Array [??re?] (数组：相同数据类型的集合。可以简单理解为一种类似于列表的东西，只不过这个列表里的元素类型是相同的)。
4.实用的线性代数、傅里叶变换和随机数生成函数。
与列表功能的异同
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
Python列表可以存储一维数组，通过列表的嵌套可以实现多维数组。
两者都是数据容器，索引都是从0开始，那么为什么还需要使用Numpy呢？
Numpy对数组的操作和运算进行了优化，数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。通常Numpy数组中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以在通用性能方面Numpy数组不及Python列表。
Numpy优化：例如在科学计算中，Numpy数组可以省掉很多循环语句，代码使用方面比Python列表简单的多。
将相同长度的数组与列表内的每个元素都进行平方，查看两者所需时间。
import numpy as np
import time
#获得程序执行 前 的时间戳
t1=time.time()
a=[]
for x in range(1000000):
a.append(x)
#获得程序执行 后 的时间戳
t2=time.time()
#得到程序运行的时间
print(t2-t1) #>>> 0.37305760383605957
t3=time.time()
#数组是可以直接进行向量运算的，省掉很多循环语句
b=np.arange(1000000)**2
t4=time.time()
print(t4-t3) #>>> 0.004000186920166016
python 所有的库都是围绕者对象来进行操作的，numpy 也不例外，接下我们来依据numpy库 的重要对象 Ndarray来进行学习。
Ndarray对象的创建
一个对象有两个重要特征：属性和方法。
Ndarray对象的五个常见属性：
.ndim ; .shape ; .size ; .dtype ; .itemsize
import numpy as np
a=np.array([[1,2,3],[4,5,6]],dtype='int8')
print(f'秩，即轴的数量或维度的数量:{a.ndim}')
print(f'ndarray对象的尺度，也就是几行几列:{a.shape}')
print(f'ndarray对象中的元素个数:{a.size}')
print(f'ndarray对象中元素的类型:{a.dtype}')
print(f'ndarray对象中元素的大小:{a.itemsize}')
print(f'对象内容：\n{a}',f'什么类型：{type(a)}',sep='\n')
Ndarray对象中元素的类型
与列表对象中元素可以是六种标准数据类型不同，Ndarray对象中元素的类型必须是数字类型，而且一个Ndarray对象中只能出现同一种数字类型，常见的可分为四种：布尔:bool，整型:int，浮点:float，无符号整型:uint。
未完待续