一、创建数组
1.arange
a = numpy.arange(0, 16)
# 生成0-16的数组
b = numpy.arange(0, 16).reshape(4, 4)
# 生成一个4x4的数组，数据为a的数据
a.shape = (2, 2, 2, 2)
# 修改a的维度为(2,2,2,2)
a.shape = (2,-1,2,2)
# -1表示自动计算该维度
a.resize = (4, 4)
# 修改a的维度为(4,4)
2、array和asarray
a = numpy.array([1,2,3,4])
b = numpy.array([1,2,3,4], dtype=numpy.float32)
c = numpy.array([[1, 2], [3, 4]])
d = numpy.array(numpy.arange(1,11))
e = numpy.array([numpy.arange(1,5), numpy.arange(11, 15)])
asarray用法同array，不过asarray接受的参数是numpy数组时，并不会拷贝一份，array则会拷贝，所以看实际需求吧。
3、linspace和logspace
1)numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
功能：生成一个num个数的等差数列(数组)，起始值为start，终止值为stop
endpoint：是否包含stop
retstep：为True时生成(ndarray, 间距)的元组,间距也就是数学上的公差
2)numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
功能：生成一个num个数的等比数列(数组)。起始值为base ** start，终止值为base ** stop。
示例：llspace.py
4、empty、ones和zeros
numpy.empty(shape, dtype = float, order = ‘C’)
功能： 生成一个维度为shape的空数组，不过因为是C语言写的，未被赋值的变量会是垃圾值。
numpy.zeros(shape, dtype = float, order = ‘C’)
功能： 生成一个维度为shape，值全为0的数组。
numpy.ones(shape, dtype = None, order = ‘C’)
功能： 生成一个维度为shape，值全为1的数组
拓展：高级索引
1)a[一维行索引列表或数组, 一维列索引列表或数组]
例如：
a = np.array([[1, 2], [3, 4], [5, 6]])
b = a[[0, 1, 2], [0, 1, 0]]
# 相对于b是由a[0, 0]、a[1, 1]、a[2, 0]组成的新数组，即[1 4 5]
2)a[多维行索引列表或数组, 多维列索引列表或数组]
例如：
a = np.array([[ 0, 1, 2],[ 3, 4, 5],[ 6, 7, 8],[ 9, 10, 11]])
b = a[np.array([0, 0, 3 3]), np.array([0, 2, 0, 2])]
会得到[0 2 9 11]
b = a[np.array([[0, 0], [3 3]]), np.array([[0, 2], [0, 2]])]
则会得到[[0 2] [9 11]],数据并没有变，只是结果的维度变化了。
3)布尔索引
b = [False, True, True]
a = numpy.array([1, 2, 3])
c = a[b]
你猜结果是啥
4)花式索引
a为一维数组，索引也为一维数组
a = numpy.arange(15)
b = a[range(5)] # [0 1 2 3 4]
c = a[[-1,-2,-3,-4]] # [14 13 12 11]
那么当a为二维数组，而索引只给一个一维数组，会得到什么？
a = numpy.arange(15).reshape(5, 3)
b = a[[-3,-1,-2]]
再高级一点，请看：
a = numpy.arange(15).reshape(5, 3)
b = a[numpy.ix_([1,3,3],[2,0,1])]
c = a[[1,3,3]][:,[2,0,1]]
这个索引的意思是先取a[[1,3,3]]得到a的第一行和两个第三行的数组，然后分别对每一行取[2,0,1]这个索引。
numpy.ix_函数将[1,3,3],[2,0,1]打包成一个这样([[1] [3] [3]], [[2 0 1]])的元组。也就是它的作用只是让你代码显得容易理解，否则写一个a[([[1] [3] [3]], [[2 0 1]])]谁知道结果是什么。当然你非要这样写也行，和写numpy.ix_一样。写成c的形式也比较容易理解。
个人理解： 如果可以不用花式索引，最好别用。因为花式索引并不是像切片和索引一样的视图，而是复制了一份新的数据。
二、数组操作
1、基本操作(数组维度完全相同)
a = numpy.arange(1, 11)
b = numpy.arange(11,21)
c = a + b
d = b - a
e = a * b # 和矩阵的操作不同，数组间的乘法只是对应元素相乘。
f = b / a
g = b // a
h = a > 5
j = a[a>5] # 布尔索引的应用
k = a @ b # 矩阵乘法，同A.dot(B)
2、numpy广播（数组维度不同，但有限制）
专业解释：广播的原则，如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。
大概意思是：维度为(4,3,2)的数组是可以和维度为(3,2)的数组进行操作的，当然和(3,1)和(1,2)也是可以的。
a = numpy.arange(1, 25).reshape(4,3,2)
b = numpy.arange(1, 7).reshape(3,2)
print('a: ', a)
print('b: ', b)
print(a + b)