Numpy数组的属性

NumPy中最重要的一个特点就是其n维数组对象，即ndarray(别名array)对象，该对象具有矢量算术能力和复杂的广播能力，可以执行一些科学计算。不同于Python内置的数组类型， array对象拥有对高维数组的处理能力，这也是数值计算中缺一不可的重要特性。

概念解答：

什么是Numpy的矢量运算能力？

Numpy的矢量运算能力是指它能够对数组中的每个元素执行相同的操作，而不需要编写循环。这种操作被称为矢量化操作，它不仅可以简化代码，还能显著提高性能。

元素级操作：Numpy允许你对数组的每个元素执行数学运算，如加法、减法、乘法和除法。这些操作会自动应用到数组的每个元素上。

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
c = a + b  # 结果是 [5, 7, 9]

广播（Broadcasting）：Numpy可以自动扩展数组的维度，使得不同形状的数组可以进行数学运算。这是通过“广播”机制实现的，它允许较小的数组沿着缺失的维度“广播”其值。

a = np.array([1, 2, 3])
b = np.array([[2], [3], [4]])
c = a * b  # 结果是 [[2, 4, 6], [3, 6, 9], [4, 8, 12]]

聚合操作：Numpy提供了多种聚合函数，如sum、mean、max、min等，它们可以对数组的元素进行聚合计算。

a = np.array([1, 2, 3])
total = np.sum(a)  # 结果是 6

布尔运算：Numpy支持布尔数组，可以进行元素级的布尔运算，如逻辑与（&）、逻辑或（|）和逻辑非（~）。

a = np.array([True, False, True])
b = np.array([True, True, False])
c = np.logical_and(a, b)  # 结果是 [True, False, False]

矢量化的函数：Numpy提供了许多数学函数，如sin、cos、exp等，它们可以对数组的每个元素执行相应的数学运算。

a = np.array([0, np.pi/2, np.pi])
sine_values = np.sin(a)  # 结果是 [0, 1, 0]

矩阵运算：Numpy的dot函数可以执行矩阵乘法，这是线性代数中的基本操作。

a = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
c = np.dot(a, b)  # 结果是 [17, 39]

ndarray对象中定义了一些重要的属性，具体说明见下表。

需要注意的是，shape属性的值是一个元组，元组里面有多少个元素取决于数组的维度。 如果是一维数组，那么shape元组里面只有一个元素；如果是二维数组，那么 shape元组里面 有两个元素，依此类推。

表中罗列的属性比较抽象，不容易理解，为了让大家理解ndarray对象的属性，下面通 过画图的方式分别介绍一维数组、二维数组和三维数组的属性，具体如下图所示。

为了简化ndaray对象和数组维度元组(shape属性)的叫法，我们可把ndarray对象称为数组，数组维度元组称为形状。