numpy基础：数组与向量化计算
numpy是数值计算中最重要的基础包，大多数计算包都提供了基于numpy的科学计算函数，使用numpy的数组对象作为数据交换通用语。
对大多数数据分析应用，我们更关注：
1，在数据处理、清洗、构造子集、过滤、变换以及其他计算中进行快速的向量化计算。
2，常见的数组算法，如sort、unique、set等。
3，高效的描述性统计和聚合/概述数据。
4，数据排列与相关数据的操作，如对异构数据进行merge和join。
5，使用数组表达式表明条件逻辑，代替if-elif-else条件分支的循环。
6，分组数据的操作（聚合、变换、函数式操作）。
numpy的设计对于进行含大量数组数据的处理非常有效，而且： 1，numpy使用C语言编写，数组数据在内存中连续存储，故操作时不需要额外管理，且内存占用比python的内建序列少。 2，munpy可对全量数组进行计算而不需要编写python循环。
1，numpy中的多维数组对象：ndarray
ndarray是numpy的核心。
它允许使用标量的方法在多维数组上进行整块的计算。
1，生成ndarray
更多函数可参考https://www.cnblogs.com/anyview/p/5041336.html 和https://docs.scipy.org/doc/numpy-1.13.0/contents.html
2，ndarry的数据类型
如前文所示，可用dtype来显示或指定ndarry的数据类型。它是numpy你能与其他系统数据进行交互的原因。
3，numpy的数组算术
正如本章开头提到的“munpy可对全量数组进行计算而不需要编写python循环”，称这种特性为“向量化”。它将等大小数组的标量操作作用到数组的每一个元素：
4，基础索引与切片
numpy有多种方式让使用者能从数组中选择子集：
1，一维数组与列表类似
但一维数组切片的操作结果与python内建list的有所不同：
这就是numpy数组向量化特性，接着看：
看出来了，numpy数组的切片是原数组的真实视图，所有对切片的操作都会作用于原数组，这就是它与list的不同。
2，多维数组与C语言的多维数组类似