1、在NumPy科学计算库中，数组运算提供了高效且直观的方法进行数学操作。其中，加减乘除幂运算以及逻辑运算，都是在原数组上进行操作而不会改变其内容，使处理数据变得极为便捷。数组与标量计算同样遵循这一原则，既不改变原数组，又能快速执行与标量相关的算术运算，将标量值传播到数组中的每一个元素。
2、Numpy，全称Numeric Python，专注于数值运算，提供一维或多元数组的丰富操作，如数学运算、数据筛选、线性代数、统计运算、随机模拟、傅里叶变换等。随着数据科学的发展，Numpy因其在矩阵和数组运算上的高性能和速度成为数据分析、机器学习和数据科学的关键工具。
3、使用高级功能 除了基本的数组操作，numpy还提供了许多高级功能，如线性代数运算、随机数生成等。
Numpy，全称Numeric Python，专注于数值运算，提供一维或多元数组的丰富操作，如数学运算、数据筛选、线性代数、统计运算、随机模拟、傅里叶变换等。随着数据科学的发展，Numpy因其在矩阵和数组运算上的高性能和速度成为数据分析、机器学习和数据科学的关键工具。
Python虽然不是做数据分析的专业软件，但作为一个面向对象的高级动态语言，其开源的生态使Python拥有无比丰富的库，Numpy， Scipy 实现了矩阵运算/科学计算，相当于实现了MATLAB的功能，Pandas又使Python能够像R一样处理dataframe，scikit-learn又实现了机器学习。
首先使用书籍、课程、视频来学习 Python 的基础知识 然后掌握不同的模块，比如 Pandas、Numpy、Matplotlib、NLP （自然语言处理），来处理、清理、绘图和理解数据。接着能够从网页抓取数据，无论是通过网站API，还是网页抓取模块Beautiful Soap。通过网页抓取可以收集数据，应用于机器学习算法。
老三Py：我的数据分析三剑客numpy，pandas，matplotlib，在加上Seaborn，Scipy，StatModels，Pyecharts，Bokeh，Blaze，Plotly，NetWorkX，Biopython，SymPy和gwpy等数据科学库简直无敌，都喊出了，从excel学Python了。 老大Java：数据分析我虽然也有jar提供，但是我派了我的儿子scala去帮我完善。
机器学习的入门书籍《机器学习实战》使用的语言是python。下面介绍利用Python开始“机器学习”的准备工作。（环境：CentOS 7）1， 两个重要的包 NumPy 和 SciPy。主要是处理数值运算，矩阵操作等。注：Sci是Science的缩写。官网介绍了安装方法，可以手动安装，也可以使用yum。
Numpy数组的索引与切片和变形拼接分裂功能在数据处理中起着关键作用。首先，Numpy数组的索引和Python列表类似，通过0到n的下标，可以对数组元素进行访问和修改。切片则通过内置的slice函数，通过start， stop， step参数来提取数组的子集，得到的切片是新数组，有自己的内存地址。
Numpy数组的索引与切片以及变形拼接和分裂操作在数据处理中具有重要作用。它们与Python列表的切片类似，但Numpy的独特之处在于支持高维数组的多维索引和高效内存操作。索引与切片 Numpy数组可以使用基于0到数组长度的整数索引，以及内置的slice函数进行切片。
布尔型索引与切片：布尔型索引使用一个布尔型 numpy 数组（通常是 1D）对应另一个数组的行，且布尔型数组的行数必须与另一个多维数组的行数一致。如果布尔型数组中的元素为 True，则选取相应的行，反之则不选取。下面的代码示例选择第一行和最后一行，其中第一行和最后一行是字母A的信息。
在深入学习NumPy操作时，数组/矩阵切片与索引是不可或缺的技能。了解这些概念有助于我们更有效地处理多维数据。首先，我们探讨NumPy数组的切片。切片操作在NumPy中与Python的list切片类似，可实现对数组元素的访问与修改。通过内置的slice函数，我们可以定义起始位置start、终止位置stop和步长step来获取子数组。
切片与索引数组结合通过切片和索引数组的组合，可以实现更复杂的选择，如选择特定区域的元素。布尔索引利用布尔数组进行索引，可以根据特定条件（比如大于5）筛选出符合条件的元素。排除或过滤特定元素通过布尔运算符，可以过滤掉NaN值或非复数元素，返回满足条件的数组。
神奇索引的核心概念是使用数组来对Numpy数组进行索引，实现对特定行或元素的选择。例如，我们可以通过传入一个元素的二维数组来获取数组中的多行，或者通过传入两个元素的二维数组来获取多个元素。
