1、为什么要有numpy
在各种数据科学任务中，声音、文本、图像等数据都需要转换为数值型数据特别是数组形式进行处理。因此，如何有效存储操作数值型数组是绝对的基础过程。
numpy和python内置的列表类型十分相似，但是随着数组维度上变大，numpy内部提供了更加高效的存储和数据操作，numpy几乎是数据科学生态的核心。
2、理解python的数据类型
python的一大优点是易用性，静态类型的语言如C每个变量都需要声明，动态的python可以跳过这个规定。这也说明了python变量不仅代表了值，还有一些额外信息。
例如我们定义x=100,在C语言中，他就是一个数据类型字节的内存存储了一个数字，在python中，其实是一个结构体，里面不仅包含值，还有引用计数、类型编码等信息。
如果定义一个list=[tuu,‘2’,3,3.4],其中每个元素的类型可以不一样，每个元素都有自己的结构体信息，虽然灵活，但是存储操作开销非常大，numpy存储固定类型的数组，只需要记录一次类型信息就够了。
3、numpy的重要操作
numpy的操作很多，我介绍一些后面常用的:
3.1二维数组切片操作
假设array([1,2,3,4],
[5,6,7,8],
[9,10,11,12])
如果我们需要指定1,2行和3,4列的数据，可以这样写x2[1:2,3:4],
x2[1:2,1:4:2] 这代表了列每个一列取一次。
3.2数组变形
简单的一种是reshape函数，但是它前后元素个数必须相等；还有一种常用的是newaxis,将一维数组变形成二维矩阵；
x=np.array[1,2,3])
x.reshape(1,3),转变成1行3列的矩阵 x=([[1,2,3]])
或者用x[np.newaxis,:] x=([[1,2,3]])
x.reshape(3,1),转变成3行1列的矩阵 x=([[1],[2],[3]])
或者用x[:,np.newaxis]
3.3数组的计算
python对于数组的循环计算很缓慢，因为每次要确认数据类型和调用的函数类型等信息，numpy提供了高效的计算的通用函数，主要通过向量化操作来进行；
另一种向量化方法是广播，他可以使不同维度的数组可以进行计算，广播规则不细说了，举个例子：数据归一化
X是一个10行3列的数组，我们取每一列的平均值，Xmean=X.mean(0),假设为（[1,2,3]）
然后X-Xmean,得到的数据再取平均值，发现每个值几乎都接近0。说明Xmean被广播成10行3列的数组。
3.4数组的排序
np.sort()函数
np.argsort()返回排好序的原始索引值，
np.partition（）最左边返回第K小的值，其余的任意排列
axis可以指定沿着行或者列排序。
结构化数组也可以用pandas的dataframe实现，这里就先不说了。
numpy知识点很多，不需要都记住，有个印象，需要用的时候再查一下具体如何使用。