前言：
今天我们介绍两个科学运算当中最为重要的两个模块，一个是 numpy,一个是 pandas。任何关于数据分析的模块都少不了它们两个。为什么使用 numpy and pandas
运算速度快：numpy 和 pandas 都是采用 C 语言编写, pandas 又是基于 numpy, 是 numpy 的升级版本。
消耗资源少：采用的是矩阵运算，会比 python 自带的字典或者列表快好多
Numpy属性
ndim：维度
shape：行数和列数
size：元素个数
屏幕快照 2018-11-05 下午3.13.52.png
创建ndarray
array：创建数组
dtype：指定数据类型
zeros：创建数据全为0
ones：创建数据全为1
empty：创建数据接近0
arrange：按指定范围创建数据
linspace：创建线段屏幕快照 2018-11-05 下午4.01.47.png屏幕快照 2018-11-05 下午4.02.13.png屏幕快照 2018-11-05 下午4.15.48.png
注意：
numpy默认ndarray的所有元素的类型是相同的
如果传进来的列表中包含不同的类型，则统一为同一类型，优先级：str>float>int
Numpy的基本操作
1.索引：
（一维与列表完全一致 多维时同理），根据索引修改数据、查看数据2.切片：
一维与列表完全一致 多维时同理屏幕快照 2018-11-05 下午4.23.00.png屏幕快照 2018-11-05 下午4.24.38.png
3.变形
使用arr.reshape()函数，注意参数是一个tuple
例：将一维数组变形成多维数组===arr.reshape((2,5))
例：将多维数组变形成一维数组===arr2 = arr1.reshape((15,))
例：arr2.reshape((-1,3)) ===其中-1表示的是根据列自动计算出行
实际应用：
图片翻转：图片本质上是三维的array，先将三维变形为一维，再通过切片翻转，然后在讲一维array变形为三维就实现了图片的翻转。4.级联
使用np.concatenate((a1, a2, ...), axis=0)函数
级联需要注意的点：
--- 1.级联的参数是列表：一定要加中括号或小括号
--- 2.维度必须相同
--- 3.形状相符:在维度保持一致的前提下，如果进行横向（axis=1）级联，必须保证进行级联的数组行数保持一致。如果进行纵向（axis=0）级联，必须保证进行级联的数组列数保持一致。
--- 4.可通过axis参数改变级联的方向屏幕快照 2018-11-05 下午4.42.39.png
5.切分
与级联类似，三个函数完成切分工作：
-- np.split(arr,[行，列]，轴):参数2是一个列表类型
-- np.vsplit
-- np.hsplit
例：np.split(arr,[2,4],axis=0)
应用：照片剪切
ndarray的聚合操作
求和np.sum()
最大最小值：np.max()/ np.min()
平均值：np.mean()
广播机制(重要)
ndarray广播机制的三条规则:缺失维度的数组将维度补充为进行运算的数组的维度。缺失的数组元素使用已有元素进行补充。
规则一：为缺失的维度补1(进行运算的两个数组之间的维度只能相差一个维度)
规则二：缺失元素用已有值填充
规则三：缺失维度的数组只能有一行或者一列例一例二例三
ndarray的排序
快速排序
np.sort()与ndarray.sort()都可以，但有区别：
np.sort()不改变输入(原ndarray顺序不变)
ndarray.sort()本地处理，不占用空间，但改变输入(顺序改变，被覆盖)
部分排序（不常用）
np.partition(a,k) 有的时候我们不是对全部数据感兴趣，我们可能只对最小或最大的一部分感兴趣。
当k为正时，我们想要得到最小的k个数
当k为负时，我们想要得到最大的k个数
