本篇概览这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos
操作系统：macOS Big Sur (11.6)
Anaconda3：2021.05
python：3.7.3
Jupyter Notebook：5.7.8
import numpy as py print(py.__version__)
结果如下：
用于生成array的数据源中如果有多种类型的元素，转成NumPy数组的时候，会统一成精度更高的元素
NumPy数组有个dtype属性，用来描述数组中每个元素的类型：
还可以强转：
对于嵌套列表，转为NumPy数组后就是高维数组：
可以用NumPy的arange生成数组（注意是列表不是迭代器），arange的四个入参分别是：起始、截止、步长、类型：
如果知道了起始和截止值，以及均分的数量，那么arange就不合适了，因为它只知道间隔，不知道总数，此时用linspace方法更合适：
上述linspace方法的结果是左闭右闭区间，可以增加endpoint=False属性，将结果改成左闭右开区间，此时的其实就是均分成七份，返回前六个元素：
zero方法也常用到，下面是生成3*4的二维数组，元素值全是零，注意参数是元组：
如果您觉得元组和括号和函数的括号放在一起不好理解，也可以用以下方式，既shape参数，这是个数组：
ones方法，看名字就知道和zeros方法的区别和相似指出了：构建元素值全是1的数组：
zeros_like方法，入参是数组，作用是构造新数组，类型和尺寸都参考入参数组的：
有zeros_like，就会有类似的ones_like：
类似的还有empty_like，不过它生成的都是未初始化的元素
还有个使用的方法full_like，可以指定初始化的值：
几个与维度相关的字段和方法：
三位数组：假设已有二维数组是35的形状，现在变成三维的，也就是两个35的二维数组，形状参数就是(2,3,5)那么写法如下：
NumPy数组支持加号操作，结果是数组中每个元素相加：
还可以做平方运算：
dot方法是点乘，既a的行与b的列，每个元素相乘后再相加，得到的值就是新矩阵的一个元素：
除了用数组的dot做点乘，还可以将两个矩阵对象直接相乘，结果与dot结果一致：
另外还要有逆矩阵、转置矩阵、矩阵转数组的成员变量需要注意：
这里不细说爱因斯坦求和约定本身，只聊聊NumPy对该约定的支持，主要是einsum方法的使用：
如下图，表达式i->，箭头左侧只有一个字母，表示输入是一维，箭头右侧空空如也，表示降到0维，也就是求和：
三维矩阵降为二维矩阵：
矩阵转置：
还可以输入两个矩阵，做矩阵相乘，注意ij和jk相乘后，变为ik，j维度消失了：
上图的ij,jk->ik改成ij,jk->，既结果是零维，矩阵相乘就变成了内积计算：
NumPy的广播，也叫张量自动扩张，在两个数组实施运算的时候，如果两个数组形状不同，可以扩充较小数组来匹配较大数组的形状
一维数组与单个数字相加的时候，单个数字会被扩充为数组，值就是它自己：
例如52数组与51数组相加，5*1的数组就会自动填充一行，内容是自己的第一行：
试想两本书可以怎么摆放？ 水平方向平铺（水平堆叠hstack）、垂直方向平铺（垂直堆叠vstack）、两本书竖起来对齐（深度堆叠dstack），如下图所示，类似的，数组也可以按照这个思路去堆叠：
hstack、vstack、dstack这三个方法将两个数组向上图的两本书一样做堆叠，要注意的是入参是元组：
这个图比较形象，二维数组在深度方向堆叠，形成了三维数组：
concatenate函数也能实现堆叠功能：
column_stack：将每个一维数组作为一列，水平堆叠
row_stack：将每个一维数组作为一行，垂直堆叠
