一、python中的数据类型（灵活但开销更大）：
- 整型：实际上是指向C语言复合结构体的指针
- 列表：实际上是指向指针块的指针，其中每一个指针又指向一个完整的python对象
二、Numpy数组的创建：
-
1.用np.array(list)创建：NumPy 要求数组必须包含同一类型的数据。如果类型不匹配，NumPy将会向上转换；可以用dtype关键字设置数据类型；NumPy 数组可以被指定为多维的，例如：np.array([range(i,i+3) for i in [1,2,3]])
-
2.用内置方法创建：
-
np.zeros(10,dtype=int):创建一个长度为10的数组，数组的值都是0
-
np.ones((3,5),dtype=float):创建一个3×5的浮点型数组，数组的值都是1
-
np.full((3, 5), 3.14) :创建一个3×5的浮点型数组，数组的值都是3.14
-
np.arange(0, 20, 2) :创建一个从0开始，到20结束，步长为2 的数组（取前不取后）
-
np.linspace(0, 1, 5) ： 创建一个5个元素的数组，这5个数均匀地分配到0~1
-
np.random.random((3, 3))：创建一个3×3的、在0~1均匀分布的随机数组成的数组
-
np.random.normal(0, 1, (3, 3)) :创建一个3×3的、均值为0、方差为1的正态分布的随机数数组
-
np.random.randint(0, 10, (3, 3)) :创建一个3×3的、[0, 10)区间的随机整型数组
-
np.eye(3):创建一个3×3的单位矩阵
-
np.empty(3) :创建一个由3个整型数组成的未初始化的数组,数组的值是内存空间中的任意值
-
PS：指定数据类型：当构建一个数组时，你可以用一个字符串参数来指定数据类型，或者用相关的 NumPy 对象来指定，例如：np.zeros(10, dtype='int16')或者np.zeros(10, dtype=np.int16)
三、Numpy数组的基本操作：
1.获取属性：
nidm（数组的维度） shape（数组每个维度的大小） size（数组的总大小） dtype（数组的数据类型） itemsize（每个数组元素字节大小） nbytes（数组总字节大小），一般来说，可以认为 nbytes 跟 itemsize 和 size 的乘积大小相等
2.索引：
一维数组中，你也可以通过中括号指定索引获取第 i 个值； 多维数组中，可以通过中括号指定索引获取第 i 行，也可以用逗号分隔的索引元组获取元素（中括号括起来而不是小括号）； 也可以用以上索引方式修改元素值
3.切片： 一维数组：x[start:stop:step]； 多维切片也采用同样的方式处理，用冒号分隔，逗号之前表示行，逗号之后表示列，x[start:stop:step，start:stop:step]
4.获取单行单列： 通过索引+空切片， 例如x2[:, 0]表示x2的第一列 ；x2[0,:]表示第一行； 在获取行时，出于语法的简介考虑，可以省略空的切片，例如x2[0]表示第一行
注意： 在 Python 列表中，切片是值的副本； 在NumPy中，数组切片返回的是数组数据的视图，而 不是数值数据的副本，此时若要创建副本，可通过.copy()实现
5.数组的变形： reshape方法或者在切片中利用newaxis关键字
四、通用函数（代替循环）：
1.数组的运算： 直接用+、-、*、/、//、**、%等算数运算符 2.绝对值： np.abs(array) 3.三角函数： np.sin(array)、np.cos(array)、np.tan(array)、np.arcsin(array)、np.arccos(array)、np.arctan(array) 4.指数： np.exp(array)默认是e^x，若要设置指数，以2为例：可以通过np.exp2(array)或者np.power(2,array) 5.对数： np.log(array)默认是ln(x)，若要设置底数，以2为例，可以通过np.log2(array) 6.专用的通用函数： scipy.special模块
五、高级的通用函数特性：
1.指定输出： 所有的通用函数 都可以通过 out 参数来指定计算结果的存放位置。对于较大的数组，通过慎重使用 out 参数 将能够有效节约内存。
2.聚合： 如果我们希望用一个特定的运算 reduce一个数组，那么可以用任何通用函数的 reduce 方法
