第2章 NumPy数组
Python数据分析
在前面部分，我们已经安装了NumPy和几个关键Python程序库，并动手编写了一些代码。在本章中，我们将正式步入NumPy数组的世界，带领大家一起学习NumPy和数组的知识。阅读本章后，你会对NumPy数组及其相关函数有个基本了解。
本章涉及的主题如下所示。
- 数据类型。
- 数组类型。
- 类型转换。
- 创建数组。
- 索引。
- 花式索引。
- 切片（Slicing）。
- 处理数组的形状。
2.1 NumPy数组对象
NumPy中的多维数组称为ndarray，它有两个组成部分。
- 数据本身。
- 描述数据的元数据。
在数组的处理过程中，原始信息不受影响，变化的只是元数据而已。
在之前的章节中，我们曾经用arange()函数来生成数组。实际上，那是用来存放一组数值的一维数组，这里的ndarray则可以具有一个以上的维度。
NumPy数组的优势
NumPy数组通常是由相同种类的元素组成的，即数组中的数据项的类型必须一致。NumPy数组元素类型一致的好处是：由于知道数组元素的类型相同，所以能轻松确定存储数组所需空间的大小。同时，NumPy数组还能够运用向量化运算来处理整个数组；而完成同样的任务，Python的列表则通常必须借助循环语句遍历列表，并对逐个元素进行相应的处理。此外，NumPy使用了优化过的C API，所以运算速度格外快。
NumPy数组的索引方法与Python类似，下标从0开始。NumPy数组的数据类型由特殊的对象指定，本章后面的部分将对这些对象进行详细介绍。
今后，我们会经常利用arange()子例程来建立数组，该函数取自本书附带的arrayattributes.py文件。本章中的代码片断大都取自IPython会话。注意，IPython启动时会自动导入NumPy库。下面代码展示了如何获得数组的数据类型：
In: a = arange(5)
In: a.dtype
Out: dtype('int64')以上数组的数据类型为int64（至少在作者的电脑上是这样的），不过，如果你的Python为32位版本的话，得到的结果将是int32。无论上面哪一种情况，都是在处理整型变量（64位或者32位）。对于数组，除了要知道数据类型外，还要注意其形状，这一点非常重要。在第1章“Python程序库入门”中，我们曾经举例说明向量（一维NumPy数组）的创建方法。数学家会经常用到向量，但对我们来说，最常用的却是更高维度的对象。下面来看刚刚生成的那个向量的形状：
In: a
Out: array([0, 1, 2, 3, 4])
In: a.shape
Out: (5,)如你所见，该向量有5个元素，它们的值分别是从0到4。该数组的shape属性是一个元组（就本例而言，这是一个单元素元组），存放的是数组在每一个维度的长度。