二维数组由多个一维数组组成
np.size ：数组中所有元素的总量，相当于数组的 shape 中所有元素的乘积，例如矩阵的元素总量为行与列的乘积。
>>>print('数组a的大小是：',a.size)
>>>print('数组b的大小是：',b.size)
>>>print('数组c的大小是：',c.size)
数组a的大小是： 3
数组b的大小是： 9
数组c的大小是： 12
np.array创建数组时，会将多层嵌套的列表转换为多维数组。
>>>b = np.array([(1.5,2,3), (4,5,6)])
>>>b
array([[1.5, 2. , 3. ],
[4. , 5. , 6. ]])
创建数组时我们还可以指定数据类型
>>>c = np.array( [ [1,2], [3,4] ], dtype=complex )#指定数据类型为复数
>>>c
array([[1.+0.j, 2.+0.j],
[3.+0.j, 4.+0.j]])
我们经常遇到这样的情况，我们并不知道数组的元素，但是知道数组的大小。因此，NumPy提供了多个函数，用于创建有初始数值的占位数组，这样可以减少不必要的数组增长及运算成本。
zeros 函数创建包含全是0的数组， ones 函数创建全是1的数组， empty 函数创建一个随机数值数组，其中的数值由当时的内存状态决定。这些函数创建的数组的数据类型都是默认的float64.
打印数组
当你在屏幕打印一个数组时，NumPy显示这个数组的方式和嵌套的列表是相似的。但遵守以下布局：
- 最后一维由左至右打印
- 倒数第二维从上到下打印
- 其余维都是从上到下打印，且通过空行分隔
如下所示，一维数组输出为一行、二维为矩阵、三维为矩阵列表。
基本运算
数组中的算术运算一般是元素级的运算，运算结果会产生一个新的数组。
不同于很多矩阵语言，乘积运算操作 * 在NumPy中是元素级的运算。如果想要进行矩阵运算，可以使用 dot 函数或方法。
当操作不同数据类型的数组时，最后输出的数组类型一般会与更普遍或更精准的数组相同（这种行为叫做 Upcasting）。
默认状态下，这些运算会把数组视为一个数字列表而不关心它的shape。然而，可以指定axis参数针对哪一个维度进行运算。例如axis=0将针对每一个列进行运算。
索引、切片和迭代
一维数组可以索引、切片和迭代，就像列表和其他python数据类型。
b[i] 中的i代表i后面有足够多的：，用于表示其他维度的索引。你也可以使用点号 ... 来表示。
点号代表需要的足够多的列，用于使其他维度的索引值完整。例如，x是一个五维数组，那么
- x[1,2,...] 相当于 x[1,2,:,:,:]
- x[...,3] 相当于 x[:,:,:,:,3]
- x[4,...,5,:] 相当于 x[4,:,:,5,:]
但是，如果你想迭代输出数组中的每一个元素，你可以使用 flat 属性实现，这个属性生成一个可以迭代所有元素的迭代器。
进群：125240963 即可获取数十套PDF1哦！