NumPy是Python数值计算最重要的基础包，提供了以下功能（不限于此）
快速高效的多（duo）维数组对象ndarray。
用于对数组执行元素级计算以及直接对数组执行数学（xue）运算的函数。
用于读写硬盘上基于数组的数据集的工具。
线性代数运算、傅里叶变换，以及随机数生成。
成熟的C API， 用于Python插件和原生C、C++、Fortran代码访问 NumPy的数据结构和计算工具。
NumPy之于数值计算特别重要的原因之一，是因为它可以高效处理大数组的数据。这是因为：
NumPy是在一个连续的内存块中存储数据，独立于其他Python内置对象。NumPy的C语言编写的算法库可以操作内存，而不必进行类型检查或其它前期工作。比起Python的内置序列，NumPy数组使用的内存更少。
NumPy可以在整个数组上执行复杂的计算，而不需要Python的for循环。
1.1 NumPy引入方式
NumPy使用的内存更小，运算效率也更高，我们来比较一下NumPy和Python自带的列表的性能：
NumPy比Python自带的列表快了一个数量级。
1.2ndarrary：多（duo）维数组对象
多（duo）维数组对象ndarray是一个快速而灵活的数据集容器。我们可以利用这种数组对整块数据执行一些数学（xue）运算，其语法跟标量元素之间的运算一样。
**ndarray是一个通用的同构数据多（duo）维容器，也就是说，其中的所有元素必须是相同类型的。**每个数组都有一个shape（一个表示各维度大小的元组）和一个dtype（一个用于说明数组数据类型的对象）：
1.2.1 创建ndarray
创建数组最简单的办法就是使用array函数。它接受一切序列型的对象（包括其他数组），然后产生一个新的含有传入数据的NumPy数组。
np.array会尝试为新建的这个数组推断出一个较为合适的数据类型。
嵌套序列（比如由一组等长列表组成的列表）将会被转换为一个多（duo）维数组：
另一个类似的函数是asarray。array和asarray都可以将输入的参数转化为ndarray对象，他们的区别在于当参数为一般的序列时，两个函数结果相同；当参数本身就是ndarray类型时，array会新建一个ndarray对象，作为参数的副本，但是asarray不会新建，而是在原地操作，与参数共享同一块内存。
一些函数也可以新建特定的数组：zeros可以创建指定长度或形状的全0数组，ones可以创建指定长度或形状的全1数组，empty可以创建一个没有任何具体值的数值。对于这些函数，输入参数为一维数组的长度，或者一个表示形状的元组：
注意：np.empty不需要初始化数组，因此速度比较快。在很多情况下，它返回的都是一些未初始化的垃圾值。
类似range函数，我们也可以利用NumPy中的arange函数生成一组数据。
1.2.1 ndarray的数据类型
ndarray的数据类型dtype可以认为是一个特殊的对象，当我们需要将一块内存解读为特定的数据类型时，需要用到dtype中指明的信息。
由于NumPy主要处理数值计算，因此没有特别指定的时候，数据类型都是float64（浮点数）。
我们可以用ndarray的astype将一个数组从一个dtype转换成另一个dtype：
将浮点数转换成整数，则小数部分将会被截取删除：