先导入numpy：
In [1]:
from numpy import *
从列表产生数组：
In [2]:
lst = [0, 1, 2, 3]
a = array(lst)
a
或者直接将列表传入：
In [3]:
a = array([1, 2, 3, 4])
a
查看类型：
In [4]:
type(a)
查看数组中的数据类型：
In [5]:
# 32比特的整数
a.dtype
查看每个元素所占的字节：
In [6]:
a.itemsize
查看形状，会返回一个元组，每个元素代表这一维的元素数目：
In [7]:
# 1维数组，返回一个元组
a.shape
或者使用：
In [8]:
shape(a)
shape 的使用历史要比 a.shape 久，而且还可以作用于别的类型：
In [9]:
lst = [1,2,3,4]
shape(lst)
查看元素数目：
In [10]:
a.size
size(a)
查看所有元素所占的空间：
In [12]:
a.nbytes
但事实上，数组所占的存储空间要比这个数字大，因为要用一个header来保存shape，dtype这样的信息。
查看数组维数：
In [13]:
a.ndim
可以使用 fill 方法将数组设为指定值：
In [14]:
a.fill(-4.8)
a
但是与列表不同，数组中要求所有元素的 dtype 是一样的，如果传入参数的类型与数组类型不一样，需要按照已有的类型进行转换。
和列表相似，数组也支持索引和切片操作。
索引第一个元素：
In [15]:
a = array([0, 1, 2, 3])
a[0]
修改第一个元素的值：
In [16]:
a[0] = 10
a
切片，支持负索引：
In [17]:
a = array([11,12,13,14,15])
a[1:3]
a[1:-2]
a[-4:3]
省略参数：
In [20]:
a[::2]
a[-2:]
假设我们记录一辆汽车表盘上每天显示的里程数：
In [22]:
od = array([21000, 21180, 21240, 22100, 22400])
可以这样计算每天的旅程：
In [23]:
dist = od[1:] - od[:-1]
dist
在本质上，Python会将array的各种计算转换为类似这样的C代码：
int compute_sum(int *arr, int N) {
int sum = 0;
int i;
for (i = 0; i < N; i++) {
sum += arr[i];
}
return sum;
}
array 还可以用来生成多维数组：
In [24]:
a = array([[ 0, 1, 2, 3],
[10,11,12,13]])
a
事实上我们传入的是一个以列表为元素的列表，最终得到一个二维数组。
甚至可以扩展到3D或者4D的情景。
查看形状：
In [25]:
a.shape
这里2代表行数，4代表列数。
查看总的元素个数：
In [26]:
# 2 * 4 = 8
a.size
查看维数：
In [27]:
a.ndim
对于二维数组，可以传入两个数字来索引：
In [28]:
a[1, 3]
其中，1是行索引，3是列索引，中间用逗号隔开，事实上，Python会将它们看成一个元组(1,3)，然后按照顺序进行对应。
可以利用索引给它赋值：
In [29]:
a[1, 3] = -1
a
事实上，我们还可以使用单个索引来索引一整行内容：
In [30]:
# 返回第二行元组组成的array
a[1]
Python会将这单个元组当成对第一维的索引，然后返回对应的内容。
多维数组，也支持切片操作：
In [31]:
a = array([[ 0, 1, 2, 3, 4, 5],
[10,11,12,13,14,15],
[20,21,22,23,24,25],
[30,31,32,33,34,35],
[40,41,42,43,44,45],
[50,51,52,53,54,55]])
a
想得到第一行的第 4 和第 5 两个元素：
In [32]:
a[0, 3:5]
得到最后两行的最后两列：
In [33]:
a[4:, 4:]
得到第三列：
In [34]:
a[:, 2]
每一维都支持切片的规则，包括负索引，省略：
[lower:upper:step]例如，取出3，5行的奇数列：
In [35]:
a[2::2, ::2]
切片在内存中使用的是引用机制。
In [36]:
a = array([0,1,2,3,4])
b = a[2:4]
print b
引用机制意味着，Python并没有为 b 分配新的空间来存储它的值，而是让 b 指向了 a 所分配的内存空间，因此，改变 b 会改变 a 的值：
In [37]:
b[0] = 10
a
而这种现象在列表中并不会出现：
In [38]:
a = [1,2,3,4,5]
b = a[2:3]
b[0] = 13234
print a
这样做的好处在于，对于很大的数组，不用大量复制多余的值，节约了空间。
缺点在于，可能出现改变一个值改变另一个值的情况。
一个解决方法是使用copy()方法产生一个复制，这个复制会申请新的内存：
In [39]:
a = array([0,1,2,3,4])
b = a[2:4].copy()
b[0] = 10
a
切片只能支持连续或者等间隔的切片操作，要想实现任意位置的操作，需要使用花式索引 fancy slicing 。
与 range 函数类似，我们可以使用 arange 函数来产生等差数组。
In [40]:
a = arange(0, 80, 10)
a
花式索引需要指定索引位置：
In [41]:
indices = [1, 2, -3]
y = a[indices]
print y
还可以使用布尔数组来花式索引：
In [42]:
mask = array([0,1,1,0,0,1,0,0],
dtype=bool)
In [43]:
a[mask]
或者用布尔表达式生成 mask，选出了所有大于0.5的值：
In [44]:
from numpy.random import rand
a = rand(10)
a
mask = a > 0.5
a[mask]
mask 必须是布尔数组。
二维花式索引
In [46]:
a = array([[ 0, 1, 2, 3, 4, 5],
[10,11,12,13,14,15],
[20,21,22,23,24,25],
[30,31,32,33,34,35],
[40,41,42,43,44,45],
[50,51,52,53,54,55]])
a
对于二维花式索引，我们需要给定 row 和 col 的值：
In [47]:
a[(0,1,2,3,4), (1,2,3,4,5)]
返回的是一条次对角线上的5个值。
In [48]:
a[3:, [0,2,5]]
返回的是最后三行的第1，3，5列。
也可以使用mask进行索引：
In [49]:
mask = array([1,0,1,0,0,1],
dtype=bool)
a[mask, 2]
与切片不同，花式索引返回的是原对象的一个复制而不是引用。
只给定行索引的时候，返回整行：
In [50]:
y = a[:3]
y
这时候也可以使用花式索引取出第2，3，5行：
In [51]:
condition = array([0,1,1,0,1],
dtype=bool)
a[condition]
三维花式索引
In [52]:
a = arange(64)
a.shape = 4,4,4
a
y = a[:,:,[2, -1]]
y
where(array)where 函数会返回所有非零元素的索引。
先看一维的例子：
In [54]:
a = array([0, 12, 5, 20])
判断数组中的元素是不是大于10：
In [55]:
a > 10
数组中所有大于10的元素的索引位置：
In [56]:
where(a > 10)
注意到 where 的返回值是一个元组。
使用元组是由于 where 可以对多维数组使用，此时返回值就是多维的。
在使用的时候，我们可以这样：
In [57]:
indices = where(a > 10)
indices = indices[0]
indices
或者：
In [58]:
indices = where(a>10)[0]
indices
可以直接用 where 的返回值进行索引：
In [59]:
loc = where(a > 10)
a[loc]
考虑二维数组：
In [60]:
a = array([[0, 12, 5, 20],
[1, 2, 11, 15]])
loc = where(a > 10)
返回结果是一个二维的元组，每一维代表这一维的索引值：
In [61]:
loc
也可以直接用来索引a：
In [62]:
a[loc]
或者可以这样：
In [63]:
rows, cols = where(a>10)
In [64]:
rows
cols
a[rows, cols]
再看另一个例子：
In [67]:
a = arange(25)
a.shape = 5,5
a
a > 12
where(a > 12)