Numpy优势：numpy数组中元素类型必须一致，因此方便计算存储空间的大小。numpy运行向量化运算来处理整个数组，完成同样的任务，python的列表通常必须借助循环语句遍历列表，并对诸葛元素进行相应的处理。numpy使用优化过的c API，处理速度非常快。
numpy的元素从下标0开始。
安装：pip install numpy
安装anaconda可以将Python常用的库都安装进去，免去一个个安装依赖项问题。
下面介绍具体的规则与代码：
1.创建一维数组arange()
a = numpy.arange(5, dtype = uint16)2.查看数据的类型
a.dtype()3.查询每一维的长度,查询多维数组的形状
a.shape
a.shape[0]4.创建多维数组
m = numpy.array([numpy.arange(2),numpy.arange(2)])使用array()创建数组时，必须传递一个数组类型的对象，例如python的列表。上例为两个数组组成的列表。
5.选择NumPy数组元素
a = numpy.array([[1,2],[3,4]]);
b = a[m,n]**6.**Numpy数据类型
bool 用一位存储的布尔类型（值为TRUE或FALSE）
inti 由所在平台决定其精度的整数（一般为int32或int64）
int8 整数，范围为-128至127
int16 整数，范围为-2 768至32 767
int32 整数，范围为-231至231 -1
int64 整数，范围为-263至263 -1
uint8 无符号整数，范围为0至255
uint16 无符号整数，范围为0至65 535
uint32 无符号整数，范围为0至232-1
uint64 无符号整数，范围为0至264-1
float16 半精度浮点数（16位）：其中用1位表示正负号，5位表示指数，10位表示尾数
float32 单精度浮点数（32位）：其中用1位表示正负号，8位表示指数，23位表示尾数
float64或float 双精度浮点数（64位）：其中用1位表示正负号，11位表示指数，52位表示尾数
complex64 复数，分别用两个32位浮点数表示实部和虚部
complex128或complex 复数，分别用两个64位浮点数表示实部和虚部
in：numpy.float(42)
out:42.0
in：numpy.bool(42)
out:True类型转换，不允许将复数类型转换为整数，不允许将复数转为浮点数，可将浮点数转为复数complex(1.0)，可通过real跟imag取复数的实部虚部。
a = numpy.arange(5,dtype = 'uint16')许多函数带有一个指定数据类型的参数。
7.数据类型占用的字节数
a.dtype.itemsize**8.**dtype构造函数
numpy.dtype('f8')第一个字符表示数据类型，第二个字符表示占用字节数。
9.获取字符码
in:t = numpy.dtype('float64')
in:t.char
out:'d'10.一维数组切片
a = numpy.arange(10)
a[2:7:2]从下标2到7，每次下标递增2。
11.数组扩维
a = numpy.arange(24).reshape(2,3,4)a = numpy.arange(24)
a.shape = (4,6)a = numpy.arange(24)
a.resize(12,2)resize 跟 shape =会改变原数组的结构，reshape不会改变原数组。
2*3*4=24。数目需要匹配。将一维数组扩充为，2×3×4维。
12.降维
b = a.ravel()b = a.flatten()将数组拉成一维。
13.转置
b.transpose()14.水平堆叠
将两个相同行数的二维数组水平拼接。
numpy.hstack((a,b))或
numpy.concatenate((a,b),axis=1)15.垂直叠加
numpy.vstack((a,b))或
numpy.concatenate((a,b),axis=0)16.深度叠加
沿着第三个坐标轴（纵向）的方向叠加一摞数组。可以理解为，在一个图像数据的二维数组上叠加另一幅图像的数据。
numpy.dstack((a,b))17.列式堆叠&行式堆叠
numpy.column_stack(a,b)numpy.row_stack(a,b)18.横向拆分
array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
>>> numpy.hsplit(a,3)
[array([[1],
[4],
[7]]), array([[2],
[5],
[8]]), array([[3],
[6],
[9]])]相当于
numpy.split(a,3,axis=1)18.纵向拆分
numpy.vsplit(a,3)相当于
numpy.split(a,3,axis=0)19.深向拆分
numpy.dsplit(c,3)20.数组的属性
b.ndim #数组的维度
b.size #数组元素数量
b.itemsize #各元素所占字节数
b.nbytes #数组总共所占字节数
b.T #转置
b.real #数组的实部
b.imag #数组的虚部
b.dtype #数组的类型
####flat######
f = b.flat #数组的迭代器
for item in f:
print (item) #打印每一个元素
b.flat[[1,3]] #返回第1跟3标号的元素
b.flat[[1,3]] = 1 #标号1跟3的元素设为1
####flat######21.将numpy转换成python列表
b.tolist()22.将数组元素转换为指定类型
c = b.astype(int)
c = b.astype('complex')23.统计性函数
import numpy as np
from scipy.stats import scoreatpercentile
data.max()
np.max(data)#最大值
data.min()
np.min(data)#最小值
data.mean()
np.mean(data)#平均值
data.std()
np.std(data)#标准差
np.median(data)
scoreatpercentile(data,50)#中位数24.矩阵求逆
np.linalg.inv(A)
np.linale.pinv(A)#伪逆25.生成单位矩阵
np.eye(N)26.数组点积
np.dot(A,x)27.求解线性方程组
Ax=b
x = np.linalg.solve(A,b)28.计算特征值与特征向量
Ax=ax
a = np.linalg.eigvals(A)
eigenvalues, eigenvectors = np.linalg.eig(A)29.二项分布随机数
outcome = np.random.binomial(num,probability，size = len(a))30.正态分布采样
normal_values = np.random.normal(size = N)