Numpy除了具有明显的科学用途外，还可以作为通用数据的高效多维容器。

Numpy中的数组

Numpy中的数组是一个元素表(通常是数字)，所有元素都是相同的类型，由一个正整数元组索引。在Numpy中，数组的维数称为数组的秩。一个整数的元组给出了数组在每个维度上的大小，称为数组的形状。Numpy中的数组类称为ndarray。Numpy数组中的元素可以使用方括号访问，也可以使用嵌套Python列表初始化。

创建一个Numpy数组

Numpy中的数组可以通过多种方式创建，具有不同数量的秩，定义数组的大小。数组还可以使用各种数据类型(如列表、元组等)创建。合成阵列的类型由序列中元素的类型导出。

注意:可以在创建数组时显式定义数组的类型。

输出如下：

Array with Rank 1:
 [1 2 3]
Array with Rank 2:
 [[1 2 3]
 [4 5 6]]

Array created using passed tuple:
 [1 3 2]

访问数组索引

在numpy数组中，索引或访问数组索引可以通过多种方式完成。 要打印一系列数组，请完成切片。 切片数组是在新数组中定义一个范围，用于从原始数组中打印一系列元素。 由于切片数组包含原始数组的一系列元素，因此在切片数组的帮助下修改内容会修改原始数组内容。

输出如下：

Initial Array:
[[-1.  2.  0.  4. ]
 [ 4.  -0.5  6.  0. ]
 [ 2.6  0.  7.  8. ]
 [ 3.  -7.  4.  2. ]]
Array with first 2 rows and alternate columns(0 and 2):
 [[-1.  0.]
 [ 4.  6.]]

Elements at indices (1, 3), (1, 2), (0, 1), (3, 0):
 [0. 6. 2. 3.]

基本阵列操作

在numpy中，数组允许可以在特定阵列或阵列组合上执行的各种操作。 这些操作包括一些基本的数学运算以及一元和二元运算。

输出如下：

Adding 1 to every element: [[2 3]
 [4 5]]

Subtracting 2 from each element: [[ 2  1]
 [ 0 -1]]

Sum of all array elements:  10

Array sum:
 [[5 5]
 [5 5]]

Numpy中的数据类型

每个Numpy数组都是一个元素表（通常是数字），都是相同的类型，由正整数元组索引。 每个ndarray都有一个关联的数据类型（dtype）对象。 此数据类型对象（dtype）提供有关阵列布局的信息。 ndarray的值存储在缓冲区中，缓冲区可以被认为是可以由dtype对象解释的连续的存储器字节块。 Numpy提供了大量可用于构造数组的数值数据类型。 在创建数组时，Numpy尝试猜测数据类型，但构造数组的函数通常还包含一个可选参数来显式指定数据类型。

构造数据类型对象

在Numpy中，除非需要特定的数据类型，否则无需定义数组的数据类型。 Numpy试图猜测构造函数中未预定义的数组的数据类型。

Integer Datatype:
int64

Float Datatype:
float64

Forcing a Datatype:
int64

DataType数组上的数学运算

在Numpy数组中，基本数学运算在数组上以元素方式执行。 这些操作既可以作为操作符重载也可以作为函数应用。 Numpy中提供了许多有用的函数，用于对数组执行计算，例如sum：用于添加数组元素，T：用于元素的转置等。

输出如下：

Addition of Two Arrays:
[[ 7. 13.]
 [ 4. 14.]]

Addition of Array elements:
19.0

Square root of Array1 elements:
[[2.        2.64575131]
 [1.41421356 2.44948974]]

Transpose of Array:
[[4. 2.]
 [7. 6.]]