NumPy中的n维数组对象是ndarray。
创建一个ndarray只需调用Numpy的array函数即可：
numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
参数说明：
- object：数组或嵌套的数列
- dtype：数组元素的数据类型，可选
- copy：对象是否需要复制，可选
- order：创建数组的样式，C为行方向，F为列方向，A为任意方向（默认）
- subok：默认返回一个与基类类型一致的数组
- ndmin：指定生成的数组的最小维度
示例1：
import numpy as np
a = np.array([1,2,3])
print (a)
输出：
[1,2,3]
示例2：
import numpy as np
a = np.array([[1, 2], [3, 4]])
print (a)
输出：
[[1,2]
[3,4]]
示例3：
import numpy as np
a = np.array([1, 2, 3,4,5], ndmin = 2)
print (a)
输出：
[[1, 2, 3, 4, 5]]
示例4：
# dtype 参数
import numpy as np
a = np.array([1, 2, 3], dtype = complex)
print (a)
输出：
[ 1.+0.j, 2.+0.j, 3.+0.j]
ndarray对象由计算机内存的连续一维部分组成，并结合索引模式，将每个元素映射到内存块中的一个位置。内存块以行顺序(C样式)或列顺序(FORTRAN或MatLab风格，即前述的F样式)来保存元素。
注意，数组array跟线性代数中的矩阵仍有差别，在NumPy中，矩阵对象是Matrix，属于array的分支，但略有不同。数组array可以满足一部分矩阵运算需求，所以我们将先深入学习数组，再在此基础上了解矩阵和相关的线性代数运算。
在介绍数组的相关运算，如点乘，矩阵乘法等之前，只需记住一点：数组中的向量，一般默认为行向量，使用数组进行运算时，会根据数组的位置自动调整为行向量或者列向量。当然，也有相关的方法可以认为调整，这些是后话。现在只需记住，数组默认使用行向量。
matlab中元素按列顺序放置，numpy中则是按行顺序放置：
importnumpy
a=numpy.array(([1,2,3],[4,5,6]))
b=a.reshape(3,2)
print(a)
print(b)
#输出：
[[1 2 3]
[4 5 6]]
[[1 2]
[3 4]
[5 6]]
数组属性
ndarray.ndim：数组的维数
ndarray.shape：数组的维度，对于矩阵，n 行 m 列
ndarray.size：数组元素的总个数，相当于 .shape 中 n*m 的值
ndarray.dtype：ndarray 对象的元素类型
ndarray.itemsize：ndarray 对象中每个元素的大小，以字节为单位
ndarray.flags：ndarray 对象的内存信息
ndarray.real：ndarray元素的实部
ndarray.imag：ndarray 元素的虚部
注意：这些属性采用引用机制，他们返回数组对应属性的指针，因此，改变他们的值或者改变他们所赋的值，将改变原数组。
import numpy as np
a = np.arange(24) print (a.ndim)
# a 现只有一个维度
# 现在调整其大小
b = a.reshape(2,4,3)
# b 现在拥有三个维度
print (b.ndim)
#输出
1
3
importnumpy
b=numpy.array([1+2j,3+4j,5+6j])
a=b.real
print(a)
a[1]=8输出：
[1. 3. 5.]
[1. 8. 5.]
[1.+2.j 8.+4.j 5.+6.j]
print(a)
print(b)
#这里改变了a，也改变了b。
创建数组
除了可以使用ndarray来创建数组，还有以下几种方式可用于在特定环境下更方便地创建数组。
numpy.empty()：numpy.empty(shape, dtype = float, order = 'C')
shape：数组形状
dtype：数据类型，可选
order：有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。
numpy.zeros()：numpy.zeros(shape, dtype = float, order = 'C')
numpy.ones()：numpy.ones(shape, dtype = None, order = 'C')
x = np.ones([2,2], dtype = int)
arange创建数组：c = np.arange(10, 20, 2)，产生等差数列一维数组，第三个参数为差，默认为1
eye创建对角矩阵数组：eye(n)：创建n*n的对角矩阵数组
创建randn(size)服从 X~N(0,1) 的正态分布随机数组 a=random.randn(2,3)
利用randint([low,high],size)创建一个整数型指定范围在[low.high]之间的随机整数数组
numpy.linspace函数用于创建一个一维数组，数组是一个等差数列构成的，格式如下：
np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
start：序列的起始值
stop：序列的终止值，如果endpoint为true，该值包含于数列中
num：要生成的等步长的样本数量，默认为50
endpoint：该值为 true 时，数列中中包含stop值，反之不包含，默认是True。
retstep：如果为 True 时，生成的数组中会显示间距，反之不显示。
dtype：ndarray 的数据类型
numpy.logspace函数用于创建一个等比数列。格式如下：
np.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
start：序列的起始值为：base ** start
stop：序列的终止值为：base ** stop。如果endpoint为true，该值包含于数列中
num：要生成的等步长的样本数量，默认为50
endpoint：该值为 true 时，数列中中包含stop值，反之不包含，默认是True。
base：对数 log 的底数。
dtype：ndarray 的数据类型
numpy.asarray(a, dtype = None, order = None)
a：任意形式的输入参数，可以是，列表, 列表的元组, 元组, 元组的元组, 元组的列表，多维数组
dtype：数据类型，可选
order：可选，有"C"和"F"两个选项,分别代表，行优先和列优先，在计算机内存中的存储元素的顺序。
import numpy as np
x = [1,2,3]
a = np.asarray(x)
print (a)
#[1 2 3]