这周因为考科三耽误了学习，希望能借元旦假期赶上进度。
列表：数据类型可以不同 e.g. 3.14, ‘pi’,’3.141’,[3.141,3.14]
数组：数据类型相同 e.g. 3.14,3.141,3.134,3.12
Numpy是一个开源的python科学计算基础库，ndarray是其一个强大的N维数据对象
Python已经有了列表类型，为什么还需要一个数组对象呢？
举个例子，现在有AB两个一维数组，要计算A^2+B^3，如果直接计算的话，我们元素间需要使用循环运算for i in range（len（a）），但是用numpy的ndarray的话不需要使用循环，使一维数据更像单个数据，可以直接计算。
ndarray数组一般要求所有元素类型相同，数组下标从0开始。
np.array（）生成一个ndarray，ndarray的别名是array
np.array()输出成[]形式，元素由空格分割
ndarray对象的属性如下：
属性的使用如下：
例如对于 a=np.array（[[0,1,2,3,4],
[5,6,7,8,9]])
a.ndim==>2
a.shape==>(2,5)
a.size==>10
a.dtype==>dtype(‘int32’)
a.itemsize==>4
如果是非同质的ndarray对象
例如x=np.array（[[0,1,2,3,4],
[5,6,7,8]])
x.shape==>(2,)
x.dtype==>dtype(‘0’)
x.itemsize==>4
x.size==>2
非同质ndarray对象无法发挥Numpy的优势，应该尽量避免使用
ndarray的创建方法1.从python中的列表，元组等类型创建
2.使用Numpy中函数创建，如：arange，ones，zeros等
一维数组的索引和切片与python的列表类似
e.g.a=np.array（[9,8,7,6,5])
a[2]==>7
a[1:4:2]==>([8,6])
多维数组的索引，每个维度一个索引值，逗号分割
e.g.a=np.arrage（24）.reshape（（2，3，4））
a==>array（[[[0,1,2,3],
[4,5,6,7],
[8,9,10,11]],
[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])
a[1,2,3]==>23
a[0,1,2]==>6
a[-1,-2,-3]==>17
未完待续
（没有电脑实在不方便，其他内容和代码晚点再附上吧～）
