一、NumPy介绍
NumPy是Python中科学计算的基础包，它是一个Python库，提供多维数组对象，各种派生对象（如掩码数组和矩阵），以及用于数组快速操作的各种API，有包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅立叶变换、基本线性代数，基本统计运算和随机模拟等等。
- 功能强大的N维数组对象。
- 精密广播功能函数。
- 集成 C/C+和Fortran 代码的工具。
- 强大的线性代数、傅立叶变换和随机数功能。
二、Ndarray介绍
NumPy 最重要的一个特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。
三、Ndarray和python中的list列表的区别
C数组：学过C语言的都知道，在C语言中数组是一个连续的内存空间，并且数组中的数据的类型也是一致的。
python列表：python中的列表里面存放的对象，可以是不同的数据类型。其底层实现是通过类似C语言中的指针数组来实现，即python的列表中存放的数据的指针即他们的地址，然后再根据这个指针找到具体的数据。
Ndarray数组：和C语言数组实现类似，也是一段连续的内存空间，里面存放的也是相同的数据类型。
详细如下：
- NumPy 数组在创建时具有固定的大小，与Python的原生数组对象（可以动态增长）不同。更改ndarray的大小将创建一个新数组并删除原来的数组。
- NumPy 数组中的元素都需要具有相同的数据类型，因此在内存中的大小相同。
- NumPy 数组有助于对大量数据进行高级数学和其他类型的操作。通常，这些操作的执行效率更高，比使用Python原生数组的代码更少。
四、初始化NumPy数组
1、安装 numpy 包
pip3 install numpy
2、导入 numpy 包
import numpy
3、使用一个列表初始化一个NumPy数组
函数作用：初始化一个NumPy数组
函数原型：numpy.array(object, dtype=None, *, copy=True, order='K', subok=False, ndmin=0）
参数示例：
* object: 必填参数：即创建NumPy数组的数据对象
* dtype: 可选参数，通过它可以更改数组的数据类型---可将原来的整型或者其他类型进行强制转换
* copy: 可选参数，当数据源是ndarray 时表示数组能否被复制，默认是True
* order: 可选参数，以哪种内存布局创建数组，有3个可选值，分别是C（行序列）/F（列序列）/A（默认）
* ndmin: 可选参数，用于指定数组的维度--例如 一维数组、二维数组、三维数组等
* subok: 可选参数，类型为bool值，默认为False。 为True，使用object的内部数据类型； 为False 使用object数组的数据类型
代码示例：
注意：
* 其中np_array就是Ndarray类型。
* data_list中的数据类型是不一致，但是转化成np_array后，数据格式一致了，都变成了字符串类型。
* 如果传进来的列表包含不同的类型，则统一转化为同一类型，转化的优先级:str>float>int，即有str则都转化为str,这样才能保证NumPy数组中数组的一致性。
4、numpy.ones()
函数作用：创造出来的数组里面填充的都是1
函数原型：numpy.ones(shape, dtype=None, order='C', *, like=None)
参数解释：
* shape：创建出来数组的形状，是一维数组，还是二维数组，还是多维数组等等
* dtype：数据的类型
* order：指定内存重以行优先(‘C’)还是列优先(‘F’)顺序存储多维数组。
代码示例：
注意：
* shape = (m,n) m行n列 二位数组
* shape = (m) m个元素的一维数组 [1，2,3]
* shape = (m,) m个元素的一维数组
* shape = (m, 1) m行1列 二维数组 [[1],[2],[3]]
* shape = (1,m) 1行m列 二维数组 [[1,2,3]]
5、numpy.zeros()
函数作用：其用法和ones()一样，只不过被填充的由1变成了0
函数原型：zeros(shape, dtype=float, order='C', *, like=None) 代码示例：
6、numpy.ful()
函数作用：使用自己指定数字填充数组内容
函数原型：numpy.full(shape, fill_value, dtype=None, order='C', *, like=None)
代码示例：
7、numpy.linspace()
函数作用: 生成等差数列的数组
函数原型：linspace(start, stop, num=50,endpoint=True,retstep=False,dtype=None)
参数解释：
* start，起始点
* stop，结束点
* num，元素个数，默认 50
* endpoint，是否包含 stop 数值，默认为 True，包含 stop 值；若为 False，则不包含 stop 值
* retstep，返回值形式，默认为 False，返回等差数列组，若为True，则返回结果 (array([‘samples’, ‘step’]))
* dtype，返回结果的数据类型，默认无，若无，则参考输入数据类型
代码示例：
8、numpy.arange()
函数作用：根据步长生成等差数列
函数原型：arange([start,] stop[, step,], dtype=None, *, like=None)
代码示例：
9、numpy.random.randint()
函数作用：使用随机数创建NumPy数组
函数原型：randint(low, high=None, size=None, dtype=int)
参数示例：
* low:随机数的最小值
* higt:随机数的最大值
* size:生出数组的形状
* dtype:数据类型
代码示例：
注意：类似的函数还有下面几个，用法也类似
* numpy.random.random(size): 随机生成小数的NumPy的数组
* numpy.random.randn(d0, d1, ..., dn): 标准正态分布
* np.random.normal(): 普通正态分布
五、ndarray的属性
通过上面的示例，我们看到有几个属性是ndarray常用的属性，这里我们总结如下：
四个必记的属性
* ndim: 维度
* shape: 形状
* size: 总长度
* dtype: 元素类型
代码示例：
标签：初始化,常用,示例,dtype,None,数组,numpy,NumPy From： https://www.cnblogs.com/Se7eN-HOU/p/17557235.html