NumPy的大部分代码都是用C语言写的，其底层算法在设计时就有着优异的性能，这使得NumPy比纯Python代码高效得多
NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
安装
我使用的是windows系统利用python自带的pip这个功能在cmd中输入pip install numpy等待一段时间即可。或者说：“在网站上下载‘
Numpy中的数组类型，numpy在运算中数组运算优于列表list容器。
numpy中的ndarray是一个多维的数组对象：包含实际的数据，描述数据的元数据
大部分的数组操作仅仅是修改原数组部分，不改变底层的实际数据。
我们可以直接将数组看作一种新的数据类型，就像list、tuple、dict一样，但数组中所有元素的类型必须是一致的，Python支持的数据类型有整型、浮点型以及复数型，但这些类型不足以满足科学计算的需求，因此NumPy中添加了许多其他的数据类型，如bool、inti、int64、float32、complex64等。同时，它也有许多其特有的属性和方法。
元数据[元数据是关于数据的数据]
元数据主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件纪录等功能。其最本质、最抽象的定义为：data about data ，是一种广泛存在的现象，在许多领域有其具体的定义和应用。
import numpy as np将numpy重新命名为np
方法总简单说明作用：
1.创建数组：
np.array()：从列表、元组或其他可迭代对象创建数组。
np.zeros()：创建一个指定形状的零数组。
np.ones()：创建一个指定形状的全1数组。
np.eye()：创建一个单位矩阵。
np.random.random()：创建一个指定形状的随机数数组。
np.linspace()：在指定范围内创建一组等间隔的数字。
np.arange()：在指定范围内创建一组等间隔的数字。
2.数组操作：
np.reshape()：将数组重塑为指定形状。
np.concatenate()：连接两个或多个数组。
np.split()：将数组分割成多个子数组。
np.transpose()：转置数组。
np.sort()：对数组进行排序。
np.argmax()：返回数组中最大值的索引。
np.argmin()：返回数组中最小值的索引。
3.数学运算：
np.add()：对两个数组进行逐元素相加。
np.subtract()：对两个数组进行逐元素相减。
np.multiply()：对两个数组进行逐元素相乘。
np.divide()：对两个数组进行逐元素相除。
np.power()：将数组的每个元素提高到指定的幂。
np.exp()：计算数组中每个元素的指数。
np.log()：计算数组中每个元素的自然对数。
4.统计方法：
np.mean()：计算数组的平均值。
np.std()：计算数组的标准差。
np.var()：计算数组的方差。
np.max()：返回数组中的最大值。
np.min()：返回数组中的最小值。
np.median()：计算数组的中位数。
np.percentile()：计算数组的百分位数。
5.线性代数：
np.dot()：计算两个数组的点积。
np.linalg.det()：计算矩阵的行列式。
np.linalg.eig()：计算矩阵的特征值和特征向量。
np.linalg.inv()：计算矩阵的逆。
np.linalg.norm()：计算矩阵的范数。
np.linalg.solve()：解线性方程组。
6.逻辑运算：
np.logical_and()：对两个数组进行逐元素逻辑与操作。
np.logical_or()：对两个数组进行逐元素逻辑或操作。
np.logical_not()：对数组进行逐元素逻辑非操作。
np.where()：根据条件从两个数组中返回元素。
7.其他方法：
np.unique()：返回数组中的唯一元素。
np.sum()：计算数组的总和。
np.prod()：计算数组的乘积。
np.any()：如果数组中有任何元素为True，则返回True。
np.all()：如果数组中的所有元素都为True，则返回True。
np.isnan()：对于数组中的每个NaN值返回True。
np.isinf()：对于数组中的每个无穷大值返回True。
带上另外一个库可以看到图形：更直观了
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-5, 5, 256)
y = np.sin(x**3)
plt.plot(x, y)
plt.show()
还可以起个名字
import matplotlib.pyplot as plt
x_values = range(100)
y_values = [((x / 100) - 0.5) ** 3 for x in x_values]
plt.plot(x_values, y_values)
plt.title('Cubic Plot')
plt.show()
NumPy可以与许多科学计算库兼容，一些包括：
- SciPy（提供额外的数学函数和优化工具）
- Matplotlib（用于创建可视化和绘图）
- Pandas（用于数据操作和分析）
- Scikit-learn（机器学习库）
- TensorFlow（深度学习库）
就上文中的
使用NumPy创建了x数组作为自变量的值，用np.sin()函数计算y数组的相应的值，然后使用Matplotlib的plt.plot()函数将这些值绘制为线性图。最后，您使用 plt.show()来显示图形。所以，在这个例子中，NumPy和Matplotlib确实成功配合使用了。
