1. numpy庫是幾乎本書所有更高級工具的基礎。它主要提供：
※ ndarray，速度快且空間高效的多維array，可進行向量化算術操作和更高級推廣應用能力；
※ 標準數學函數，可快速執行整個array上的數據操作，而不需要寫循環；
※ 讀寫硬盤數據的工具，以內存映射（memory-mapped）方式工作；
※ 線性代數，隨機數生成，傅里葉變換功能；
※ 整合C++,C, Fortran代碼功能；
NumPy本身並不提供高層次的數據分析功能，但是掌握NumPy arrays和麪向array的操作可以幫助你高效的使用pandas這些工具。
2. ndarray(n-dimensional array object):多維array對象，可以很方便的存儲、操作大量數據。
ndarray和python中的array不同，比如說操作符號*，+；python中array*10會返回10倍長度的array，相當於array中的內容重複10次，array+array相當於2倍長度。而numpy中的array*10會將array的內容全部乘以10，相當於10乘以這個array矩陣；array+array是兩個array中的內容相加。可以定義一個python的array，然後用np.array()轉化。另外，numpy中的array元素如果有一個是浮點數，那麼這個array中的所有元素都會以浮點數存儲。
data.shape： 返回data的維數；
data.dtype： 返回data的元素類型；
data.ndim：返回行數；
np.zeros()：創建元素都爲0的array，array的維數等於括號內賦給的維數；
np.ones()：遇上一個類似，創建元素都爲1的array，array的維數等於括號內賦給的維數shape；
np.empty()：創建一個array，裏面的所有元素都沒有被初始化；
np.arange()：類似於python中的range()函數，但是是以np.array形式返回的；
下面是ndarray的一些創建函數：
裏面的ones_like，zeros_like，empty_like函數中的參數可以是其他array，這樣會創建一個和其他array shape相同的ndarray。asarray將input轉換爲ndarray，如果Input已經是ndarray的話，不用複製。
3. Dtype
Dtype是使得NumPy變得強大的基礎之一，在大多數情況下，Dtype可以直接將類型轉換成機器表示，可以二進制方式讀寫硬盤來與底層語言C或Fortran連接。Python中的數字類型的解釋如下圖所示：
可以使用astype()函數將一個array的類型轉換爲另一種類型，如：
arr =np.array([1,2,3,4,5])
float_arr =arr.astype(np.float64)
而當將浮點型轉換爲整型時，小數點後的部分會被截掉；
另外，也可以用string類型保存數字，再將string轉換成數字類型，如：
numeric_strings =np.array(['1.25', '-9.6', '42'], dtype=np.string_)
numeric_strings.astype(float)
即可將string類型存儲的數字轉換爲數字類型，但是好像numeric_strings本身的類型並不改變，只改變顯示的類型，如果需要本身的類型改變可能要重新賦值。注意np.string_是string類型的表達；當字符串類型不能轉換爲float類型時，會報出TypeError錯誤；
在用astype時還可以用其他array的type，比如string_arr =arr.type(numeric_strings.dtype)
當然，也可以用上述的TypeCode來代替指定的類型；
4. numpy的vectorization
arrays很重要因爲它提供了可以批處理數據而不需要寫任何for循環；這叫做vectorization；
比如說arr = np.array([[1.,2.,3.],[4.,5.,6.]])，可以進行arr * arr，arr ** 0.5，1/arr等運算，這些運算都是對array中的元素做相應的計算，即向量化的操作；
5. Basic indexing and slicing
Numpy中的下標和切片操作很豐富，它在一維上的操作類似於python，但也有些許不同；如：
arr =np.arange(10)
arr[5:8] = 12 # array([0,1,2,3,4,12,12,12,8,9])
arr_slice =arr[5:8]
arr_slice[1] =12345 #arr =array([0,1,2,3,4,12345,12,12,8,9])
可以看出兩點：1）對切片可以按下標去讀取和修改；2）當取出切片並對該切片進行修改時，修改的結果會反應在原array中；
所以如果是希望將原array中的數據拷貝出來操作時，需顯式的給出.copy()，如
arr_slice2 =arr[5:8].copy()
對於N維數據而言，它相當於第一維[0]爲N-1維數據，第[0][0]爲N-2維數據，...，依次類推，當然也可以採用下標和slice等操作；如：
arr2d =np.array([[1,2,3],[4,5,6],[7,8,9]])
arr2d[1] # array([4,5,6])
arr2d[1][1] # 5
arr2d[1,1] # 5
可以看到最後兩句結果是等同的，其實在numpy中訪問下標可以寫成這種逗號形式，它與兩個中括號的表達相同；同樣，在arr中的修改會反應在原始array中；在N維數據上的切片操作會在按維度數相應的反應出來；且多維的切片操作要在一箇中括號裏表示如arr2d[1,:2]；
6. Boolean indexing
（注意：調用randn函數時，要用np.random.randn()來調用，否則會出現'module' object is not callable的錯誤）
比如說我們想判斷一個string array中的元素是否等於'Bob'，可以用==來實現，如：
然後，其實得到的這個Boolean類型的array是可以作爲參數傳遞給其他array的，比如：
但是要注意這個boolean array的長度一定要與所要傳進的array行的長度相同；boolean array實際上就是一個劃分參數罷了，在data的其它維度上仍然可以進行slice，如
data[names=='Bob',2:]
boolean的操作，還可以是 !=，|，&等邏輯操作符（但python的and和or等關鍵字不能作爲操作符），data [-(names=='Bob')]也可以表示除了Bob的其它元素；
data[data<0] =0 可以將data中小於0的元素全部設爲0，很方便。