Python提供了一个array模块。array和list不同，array直接保存数值，和C语言的一维数组比较类似。但是由于Python的array模块不支持多维，也没有各种运算函数，因此不适合做数值运算。NumPy弥补了Python不支持多维等不足之处，它提供了一种存储单一数据类型的多维数组--ndarray。本次将实现ndarray多维数组的创建、生成随机数、通过索引访问一维或多维数组并变换其形态。
一、创建数组对象
NumPy提供了两种基本的对象：ndarray(N-dimensional Array)和ufunc(Universal Function)。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。在NumPy中，维度称为轴。
1.数组属性
为了更好地理解和使用数组，在创建数组之前，了解数组的基本属性是十分有必要的。数组的属性及其说明如图所示。
| 属性名称 | 属性说明 |
|---|---|
| ndim | 返回int。表示数组的维数 |
| shape | 返回tuple。表示数组形状，对于n行m列的矩阵，形状为（n，m） |
| size | 返回int。表示数组的元素总数，等于数组形状中各元素的积 |
| dtype | 返回data-type。表示数组中元素的数据类型 |
| itemsize | 返回int。表示数组的每个元素的存储空间(以B为单位)。例如，一个元素类型为float64的数组的itemsize属性值为8(float64占用64bit，1B为8bit，所以float64，占用8B)。一个元素类型为complex32的数组的itemsize属性值为4 |
2.数组创建
（1）Numpy提供的array函数可以创建一维或多维数组，其基本使用格式如下：
numpy.array(object,dtype=None, *,copy=True,order='k',subok=False,ndmin=0,like=None)（2）array函数的主要参数及其说明如图所示：
| 参数名称 | 参数说明 |
|---|---|
| object | 接收array_like。表示所需创建的数组对象。无默认值 |
| dtype | 接收data-type。表示数组所需的数组类型，如果未给定，那么选择保存对象所需的最小的数据类型。默认为None |
| ndmin | 接收int。用于指定生成数组应该具有的最小维数。默认为0 |
（3） 创建一维数组与多维数组并查看数组属性的过程，如图所示：
代码1-1
在代码1-1中，数组data只有一行元素，因此它是一维数组。而数组data2有3行4列元素，因此它是二维数组，第0轴的长度为3（即行数），第1轴的长度为4（即列数）。其中，第0轴也称横轴，第1轴也称纵轴。还可以通过修改数组的shape属性，在保持数组元素个数不变的情况下改变数组每个轴的长度。
代码1-2
代码1-2将数组data2的shape改为（4，3）。注意，从（3，4）改为（4，3）并不是对数组进行转置，而是改变每个轴的长度，数组元素的顺序并没有改变。
代码2-1中的例子先创建了一个Python序列，然后通过array函数将其转换为数组，通过此方法创建数组显然效率不高。因此Numpy提供了很多专门用于创建数组的函数。
（4）除了使用array函数创建数组之外，还可以使用arange函数创建数组。arange函数类似于Python自带的函数range，通过指定开始值、终值和步长来创建一维数组，创建的数组不含终值。arange函数的基本使用格式如下：
numpy.arange([start,]stop,[step,]dtype=None,*,like=None)（5）arange函数的常用参数及其说明如表所示：
| 参数名称 | 参数说明 |
|---|---|
| start | 接收int或实数。表示数组的开始值，生成的数组包括该值。默认为0 |
| stop | 接收int或实数。表示数组的终值，生成的数组不包括该值。无默认值 |
| step | 接收int或实数。表示在数组中，值之间的步长。默认为1 |
| dtype | 接收数据类型。表示输出数组的类型。默认为None |
（6）使用arange函数创建数组如代码1-3所示：
代码1-3
（7）linspace函数通过指定开始值、终值和元素个数来创建一维数组，默认包括终值，这一点需要和arange函数区分。linspace函数的基本使用格式如下：
numpy.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None,axis=0)（8） linspace函数的常用参数及其说明：
| 参数名称 | 参数说明 |
|---|---|
| start | 接收array_like。表示起始值。无默认值 |
| stop | 接收array_like。表示终值。无默认值 |
| num | 接收int。表示生成的样本数。默认为50 |
| dtype | 接收数据类型。表示输出数组的类型。默认为None |
（9）使用linspace函数创建数组如代码所示：
（10）logspace函数和linspace函数类似，但它创建的数组是等比数列。logspace函数的基本 使用格式如下：
numpy.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None,axis=0)在logspace函数的参数中，除了base参数和linspace函数的retstep参数不同之外，其余均相同。base参数可用于设置日志空间的底数，在不设置的情况下，默认以10为底。
（11） 使用logspace函数生成1-100的20个元素的等比数列，如图所示：
Numpy还提供了其他函数，用于创建特殊数组，如zeros、eye、diag和ones函数等。
（12）其中，zeros函数用于创建元素全部为0的数组，即将创建的数组的元素全部填充为0，如图所示：
（13）eye函数用于生成主对角线上的元素为1、其他元素为0的二维数组，类似单位矩阵，如图所示：
（14）diag函数创建类似对角矩阵的数组，即除对角线上的元素以外的其他元素都为0，对角线上的元素可以是0或其他值，如图所示：
（15）ones函数用于创建元素全部为1的数组，即将创建的数组的元素全部填充为1，如图所示：
3.数组数据类型
在实际的业务数据处理中，为了更准确地计算结果，需要使用不同精度的数据类型。NumPy极大程度地扩充了原生Python的数据类型。同时需要强调一点，在Numpy中，数组的数据类型是同质的，即数组中所有元素的数据类型必须是一致的。将元素数据类型保持一致可以更容易确定数组所需要的存储空间。NumPy的基本数据类型及其取值范围，如图所示。
| 类型 | 描述 |
|---|---|
| bool | 用1位存储的布尔值（值为True或False） |
| inti | 表示由所在平台决定其精度的整数（一般为int32或int64） |
| int8 | 表示整数，范围为-128~127 |
| int16 | 表示整数，范围为-32768~32767 |
| int32 | 表示整数，范围为-2³¹~2³¹-1 |
| int64 | 表示整数，范围为-2 |
| uint8 | 表示无符号整数，范围为0~255 |
| uint16 | 表示无符号整数，范围为0~65535 |
| uint32 | 表示无符号整数，范围为0~2³²-1 |
| uint64 | 表示无符号整数，范围为0~2 |
| float16 | 表示半精度浮点数（16位），其中用1位表示正负，用5位表示整数，用10位表示尾数 |
| float32 | 表示单精度浮点数（32位），其中用1位表示正负，用8位表示整数，用23位表示尾数 |
| float64或float | 表示双精度浮点数（64位），其中用1位表示正负，用11位表示整数，用52位表示尾数 |
| complex64 | 表示复数，分别用两个32位浮点数表示实部和虚部 |
| complex128或complex | 表示复数，分别用两个64位浮点数表示实部和虚部 |
Numpy数组中的每一种数据类型均有其对应的转换函数，如图所示：
为了更好地帮助读者理解数据类型，下面将创建一个用于存储餐饮企业库存信息的数据类型。其中，用一个能存储40个字符的字符串来记录商品的名称，用一个64位的整数来记录商品的库存数量，最后用一个64位的单精度浮点数来记录商品的价格，具体步骤如下。
(1)创建数据类型，如图所示：
(2)查看数据类型
可以直接查看或使用Numpy中的dtype属性进行查看，如图所示：
(3)在使用array函数创建数组时，数组的数据类型默认是浮点型。若需要自定义数组数据，则可以预先指定数据类型，如图所示：
