1、NumPy的优势
（1）NumPy介绍 - 数值计算库
num - numerical （数值化的）
py - python
（2）ndarray介绍
ndarray：n - 任意个 ；d - dimension 维度 ； array - 数组
（3）ndarray 与 Python原生list运算效率比，效率有很大提升，节约了很多时间 --- 用在机器学习里
（4）ndarray的优势
1）存储风格
ndarray - 相同类型 - 通用性不强
list - 不同类型 - 通用性很强
2）并行化运算
ndarray支持向量化运算
3）底层语言
C语言，解除了GIL
2、认识N维数组 - ndarray属性（最重要的：shape、dtype）
（1）ndarray的属性
（2）ndarray的形状
1）如何理解数组的形状
2）ndarray的类型
3）创建数组的时候指定类型
3、基本操作（adarray.方法()、np.函数名()）
(1)生成数组的方法
1）生成0和1
np.zeros(shape)
np.ones(shape)
2）从现有数组中生成
np.array()
np.copy()
np.asarray()
np.array() 和 np.copy() 是深拷贝
np.asarray() 是浅拷贝
3）生成固定范围的数组
np.linspace()
np.linspace(0,10,100)
# [0,10] 等距离
np.arange()
# 类似range
np.arange(a,b,c)
# 左闭右开，c是步长
4）生成随机数组
均匀分布（每组的可能性相等）：
正态分布：
（2）数组的索引、切片
（3）形状修改
1）ndarray.reshape() --- 排列顺序没有变，只是重新划分（没有转置），返回新的ndarray，原始数据没有改变
2）ndarray.resize() --- 没有返回值，但是会对原始ndarray进行修改，效果跟reshape的一样
3）ndarray.T --- 转置
（4）类型修改
1）ndarray,astype(type)
2）ndarray序列化到本地：ndarray.tostring()
（5）数组的去重
4、ndarray运算
（1）逻辑运算
1）逻辑运算
不需要写 for循环 ，只需比较关系就可以得到True / False
也可以直接赋值 --- 布尔索引
2）通用判断函数
np.all(布尔值) --- 只要有一个False就返回False，只有全是True才返回True np.any(布尔值) --- 只要有一个True就返回True，只有全是False才返回False
3）三元运算符
（2）统计运算
1）统计指标
（3）数组间运算
1）数组与数的运算（运算符作用到每一个元素上）
2）数组与数组的运算（需要满足广播机制）
3）广播机制
可行的例子：
不匹配的例子：
4）矩阵运算***非常重要
1、、什么是矩阵：
两种方法存储矩阵：
ndarray 二维数组 ：np.array()
matrix数据结构 ： np.mat()
2、、矩阵乘法运算：
np.matmul
np.dot
矩阵与二维数组的区别：矩阵是用二维数组存储的，但是二维数组不一定是矩阵
5、合并、分割（实现数据的切分和合并，将数据进行切分合并处理）
（1）合并
（2）分割
6、IO操作与数据处理
（1）Numpy读取数据文件
缺点是：会有数据缺失，所以不建议Numpy进行读取
1）直接删除含有缺失值的样本
2）替换 / 插补
（2）如何处理缺失值
