前言
NUMPY（以下簡稱NP）是Python數據分析必不可少的第三方庫，np的出現一定程度上解決了Python運算性能不佳的問題，同時提供了更加精確的數據類型。
如今，np被Python其它科學計算包作為基礎包，已成為Python 數據分析的基礎，可以說，NP是SciPy、Pandas等數據處理或科學計算庫最基本的函數功能庫。因此，理解np的數據類型對python數據分析十分有幫助。
下面，本文將介紹Np的常用操作和基本數據類型。
NP提供了以下重點功能。
一個強大的N維數組對象ndarray
廣功能函數
整合C/C++/Fortran代碼的工具
提供了線性代數、傅立葉變換、隨機數生成的相關功能
為了更加直觀的了解Np的強大與作用，我們先看作用再看方法：
使用NUMPY操作數據集
在操作數據之前，我們先來理解什麼是維度：
什麼是維度
維度是一組數據的組織形式，不同數據維度可能表示不同的含義。一維數據由對等關係的有序或無序數據構成，採用線性方式組織，可以用數組表示。
通俗來講，
這麼一行數據就可以稱之為一維數據，但如果我們再對其摺疊：
那麼他就成為了二維數據，又可以稱之為矩陣。
什麼是數據集
數據集，顧名思義就是數據的集合，是用以訓練程序的數據集合，一般是二維或者多維數表。
如果我們想自己手工新建一個數據集，可以直接新建一個文本文件，只要有恰當的數據，都可以稱之為數據集：
比如這樣，我們就可以稱上面的文件稱之為數據集。我們還注意到，上面數據是使用逗號作為分隔符分隔數據的，它簡單描述了數據的內容和含義，並使用半角逗號作為分隔符。像這樣，用逗號分隔的數據集就稱之為CSV（Comma-Separated Value,逗號分隔值）數據集，它是一種常見的文件格式，用來存儲批量的數據。它就像一張excel表，用來存儲簡單結構的數據。
怎麼樣，數據集的概念是否特別簡單呢？
生成數據集
數據集是一個簡單的概念，但每次使用手工的方式去寫畢竟不方便，所以，我們可以使用np的內置函數來生成數據集：
frame：文件、字符串、或產生器的名字，可以是.gz，.bz2的壓縮文件
arrray：存入文件的NP的數組
fmt(format):寫入文件的格式，如%d,%.2f,%.18e(默認，科學計數法保留18位)
delemiter:分割字符串，默認是任何空格。
我們可以這樣寫下代碼：
這樣，我們就會在當前的工作目錄下發現一個新的demo.csv，用記事本打開，裡面是一個4 * 5的矩陣，元素0~19。
讀取數據集
既然生成，那就可以讀取，同樣使用np：
同樣的我們只需要寫下代碼：
就可以查看到我們先前寫入的數組a。
CSV文件的局限
可以發現，CSV文件只能有效存儲和讀取一維和二維數組，因為更高的維度無法更直觀的文本下顯現出來，這時，更加靈活的存取方式就呼之欲出了，但講之前先賣個關子，再介紹一個不太常用的方法：
tofile：對於NP中的ndarray數組，我們可以使用NP中的tofile方法。
frame:文件，字符串
數據分割字符串，如果不寫，將使用二進位文件存儲
format：寫入數據的格式
同樣，我們只需要命令：
就可以生成新的CSV數據集。
此時，我們如果打開a.dat文件，我們可以看到數組1,2,3……99。但是與CSV不同，這個文件並沒有包含數字的維度信息，他只是將數組所有元素逐一的列出。而且如果我們不指定sep，將保存為二進位文件，雖然對人不可讀，但將佔用更小的空間。
既然tofile可以保存文本文件，那麼也很容易猜到對應的fromfile可以還原這些信息。
如果我們想要重新恢復數據的維度信息，我們需要重新使用reshape來恢復維度信息：
不得不說，當我看到這個方法時感覺這兩個真是蠢爆了，使用savetxt / loadtxt 至少還能保存個二維信息，而使用了tofile / fromfile 方法居然把數被伸展為一維的，然後自己記住維度信息(╯‵□′)╯︵┻━┻。
因此，為了保存更複雜的數據類型，二維以上的數據信息，save / load 函數成功解決了這個問題：（為了方便，兩個函數就放到一起了）
保存 / 讀取高維度數據
Demo:
附錄
附錄中提供NP的常用方法及注釋，做查詢用。
np數組定義
初始化數組
隨機序列
如果想要多個隨機整數：
多維數組運算
還可以使用reshape函數，對數組結構重定義：
下面介紹一些常用的運算操作：
此外，還可以sqrt、log、sin、sum、max等操作：
我們下定義一個三維數組：
我們可以看到sum方法對lst的所有元素都進行了求和，此外我們還可以通過對sum方法增加參數axis的方式來設置求和的深入維度：
這裡的axis取值為數組維數-1，axis可以理解為進行運算操作時的深入程度，axis越大，深入程度越大。同理，不僅sum函數，max等函數也可以一樣理解。
相加運算
numpy.array是np最簡單的數據結構。np.array相比與Python原生列表其強大之處在於可以實現對數組數據的運算。我們知道，list只能對元素的追加。而numpy是真正意義上的數據運算。
例如
但np最強大的地方不在於簡單的一維運算，Np對矩陣也能進行基本的運算操作：
此外，由於原生list沒有確定的數據類型，所以維護起來成本較高，而使用C編寫的numpy，則可以聲明各種常見的數據類型：
np所支持的數據類型都有bool、int8/16/32/64/128/、uint8/16/32/64/128、float16/32/43、complex64/128、string。
總結
Python作為一門弱類型語言，有其不可避免的缺點。但NP的出現，彌補了這些缺點，使其具備了構造複雜數據類型的能力，為Python數據分析提供了基礎。