1.NumPy Ndarray 对象简介

    NumPy 最重要的特点是其 N 维数组对象 ndarray，它是一系列同类型数据的集合，以 0 下标为开始进行集合中元素的索引。ndarray 对象是用于存放同类型元素的多维数组。ndarray 中的每个元素在内存中都有相同存储大小的区域。

2.Ndarray 内部组成

（1）一个指向数据（内存或内存映射文件中的一块数据）的指针。

（2）数据类型或 dtype，描述在数组中的固定大小值的格子。

（3）一个表示数组形状（shape）的元组，表示各维度大小的元组。

（4）一个跨度元组（stride），整数是为了前进到当前维度中下一个元素需要"跨过"的字节数。

3.Ndarray关键组成部分

（1）数据缓冲区（Data Buffer）：存储数组元素的连续内存块，所有数据都以二进制格式保存在内存中。ndarray 支持各种数据类型，例如 int32、float64，这些数据类型通过 dtype 属性定义。

（2）数据类型描述符 (dtype)：指定数组中每个元素的数据类型和大小。例如，int32 表示每个整数占 4 字节，float64 表示每个浮点数占 8 字节。dtype 还可以表示结构化数据类型，即包含多个字段的复合数据类型。

（3）维度 (shape)：shape 是表示数组维数的元组。例如二维数组的 shape 属性可能是 (3, 4)，表示数组有 3 行 4 列。shape 定义数据的逻辑结构，尽管所有元素是连续存储的。

（4）步长 (strides)：表示在数组的每个维度中移动一个元素所需的字节数。strides 是与 shape 相同大小的元组，用于计算内存地址。例如，步长 (16, 4) 表示移动到下一行需要 16 字节，而在同一行中移动一个元素需要 4 字节。

（5）维数 (ndim)：数组的维数。例如，标量的维数是 0，向量的维数是 1，矩阵的维数是 2。

（6）大小 (size)：数组中元素的总数，即所有维度大小的乘积。例如，shape 为 (3, 4) 的数组，其 size 为 12。

（7）内存布局：ndarray 支持多种内存布局，例如C 语言风格（行优先，C_CONTIGUOUS）或 Fortran 风格（列优先，F_CONTIGUOUS）。内存布局影响数据的存储方式以及遍历数据效率。

4.Ndarray 的内部结构

     跨度可以是负数，这会使数组在内存中后向移动。假设存在数组 obj = np.array([1, 2, 3, 4])，若使用切片 obj[::-1]，步长为负数，数组会从最后一个元素反向读取，得到 [4, 3, 2, 1] 的结果。

（1）header：ndarray 的头部，包含了数组的元信息，如维数（ndim）、形状（shape）和步长（strides）等。这些信息定义数组的维度、数据布局以及如何通过步长在内存中访问数组元素。

（2）data-type：数组元素的数据类型定义，描述了数组每个元素的存储类型，例如 int32、float64 等。data-type 信息与数据缓冲区关联，用来解释每个元素的存储格式。

（3）ndarray 数据块：这是数组的实际数据存储区域，包含了数组的元素。元素在内存中按照 shape 和 strides 的定义顺序排列。这里的黑色方框表示一个特定的元素（标注为 array scalar）。

（4）array scalar：这个元素被从数组数据块中提取出来，可能是为了进行单独操作或计算。通过头部中的信息和步长可以找到并访问到这个元素。

（5）步长为负：图中还说明了 ndarray 的步长可以是负数，这意味着数组可以在内存中反向移动。通过使用负步长可以实现反向切片，如 obj[::-1] 或 obj[:, ::-1]，从而使数组从最后一个元素开始向前访问数据。这种操作方式在不实际复制数据的情况下实现了反向排列。

5.调用 NumPy 的 array 函数创建ndarray

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

（1）object：数组或嵌套的数列

（2）dtype：数组元素的数据类型，可选

（3）copy：对象是否需要复制，可选

（4）order：创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）

（5）subok：默认返回一个与基类类型一致的数组

（6）ndmin：指定生成数组的最小维度

6.使用 numpy 创建并打印简单的一维数组

import numpy as np
a = np.array([1,2,3]) 
print (a)

7.使用 numpy 创建并打印二维数组（矩阵）

# 多于一个维度 
import numpy as np
a = np.array([[1,  2],  [3,  4]]) 
print (a)

8.使用 ndmin 参数将一维数据强制升维为二维

# 最小维度 
import numpy as np
a = np.array([1, 2, 3, 4, 5], ndmin =  2) 
print (a)

9.通过 dtype 参数来指定数组的数据类型

# dtype 参数 
import numpy as np
a = np.array([1,  2,  3], dtype = complex) 
print (a)