NumPy是Python数据分析的基石，核心是ndarray多维数组，支持高效数值运算；常用创建方式包括np.array()、np.zeros()等，关键属性有shape、dtype、ndim；索引切片支持一维、二维及布尔索引。
想入门Python数据分析，NumPy是绕不开的第一步。它提供了高效、灵活的多维数组对象和大量数学函数，是Pandas、Matplotlib、Scikit-learn等库的底层基础。掌握NumPy核心操作，不是为了死记语法，而是建立“用数组思考问题”的直觉。
理解ndarray：NumPy的核心数据结构
NumPy一切围绕ndarray（N-dimensional array）展开——它不是Python原生列表，而是一块连续内存中存储的同类型数值集合，因此运算快、内存省。
- 创建数组常用方式：
np.array([1, 2, 3])（从列表转）、np.zeros((3, 4))（全0矩阵）、np.ones(5)（长度为5的全1向量）、np.arange(0, 10, 2)（类似range，生成[0,2,4,6,8]） - 关键属性要会看：
arr.shape（维度大小）、arr.dtype（元素类型，如int64、float32）、arr.ndim（几维数组） - 注意：
np.array([1, 2, 3.0])会自动提升为float64；想指定类型可用dtype='int32'
索引与切片：比Python列表更强大
NumPy支持花式索引、布尔索引和广播机制，让数据提取和筛选更直接。
- 一维数组像列表：
a[2]、a[1:4]、a[::-1]（反转） - 二维数组用逗号分隔维度：
arr[0, 1]取第0行第1列；arr[1:3, :]取第1–2行全部列；arr[:, [0, 2]]取所有行的第0和第2列 - 布尔索引很实用：
arr[arr > 5]返回所有大于5的元素；arr[(arr > 2) & (arr 注意逻辑符用&而非and
向量化运算：告别for循环
NumPy函数默认对整个数组批量计算，无需显式循环，代码简洁且性能极高。
Python v2.4 中文手册 chm
下载
Python v2.4版chm格式的中文手册，内容丰富全面，不但是一本手册，你完全可以把她作为一本Python的入门教程，教你如何使用Python解释器、流程控制、数据结构、模板、输入和输出、错误和异常、类和标准库详解等方面的知识技巧。同时后附的手册可以方便你的查询。
立即学习“Python免费学习笔记（深入）”；
- 算术运算自动广播：
a + 5给每个元加5；a + b若形状兼容（如(3,4)+(4,)），会自动扩展维度相加 - 常用数学函数：
np.sqrt(a)、np.exp(a)、np.log(a)、np.sin(a)，输入输出都是数组 - 统计方法直接调用：
a.sum()、a.mean()、a.std()、a.max()；加axis=0按列算，axis=1按行算
数组变形与拼接：灵活组织数据结构
真实数据常需调整形状或合并多个来源，NumPy提供轻量级视图操作，不复制数据就能改变“看”的方式。
- 改变形状：
a.reshape(2, 3)（返回新数组）、a.resize((2, 3))（原地修改）、a.ravel()展平成一维副本、a.flatten()同上但总是返回副本 - 转置：
a.T或a.transpose()，二维即行列互换 - 拼接：
np.hstack([a, b])水平拼（列方向）、np.vstack([a, b])垂直拼（行方向）、np.concatenate([a, b], axis=1)更通用写法
NumPy入门不在于记住所有函数，而在于熟悉数组思维：把数据看作整体，用形状、轴、类型去描述它，再用向量化操作代替逐个处理。动手敲几遍创建、索引、计算、变形的例子，比读十遍文档更有效。
