NumPy最重要的一个特点就是其N维数组对象（即ndarray），该对象是一个快速而灵活的大数据集容器。你可以利用这种数组对整块数据执行一些数学运算，ndarray是一个通用的同构数据多维容器，也就是说，其中的所有元素必须是相同类型的。每个数组都有一个shape（一个表示各维度大小的元组）和一个dtype（一个用于说明数组数据类型的对象）。
数组的创建
-
通过array方法创建：
创建ndarray;
查看ndarray的维度：
两维数组：通过ndim属性查看
还是一个两维数组，不是三维：
为什么只有两维而不是三维？因为只嵌套了两层，而且这也是3x3的一个陈列，相当于只有两个轴，两个轴就是两个维度，看看三维是什么样的？俏不俏!
多维也就是在外面嵌套一层，当然这个三维数组中只有一个元素。
查看维度的大小，如下只有两个维度，所以对应两个大小：通过shape属性查看
除非显式说明（稍后将会详细介绍），np.array会尝试为新建的这个数组推断出一个较为合适的数据类型。
除np.array之外，还有一些函数也可以新建数组。比如，zeros和ones分别可以创建指定长度或形状的全0或全1数组。empty可以创建一个没有任何具体值的数组。要用这些方法创建多维数组，只需传入一个表示形状的元组即可：
一维：
二维：
empty可以创建一个没有任何具体值的数组。要用这些方法创建多维数组，只需传入一个表示形状的元组即可：
认为np.empty会返回全0数组的想法是不安全的。很多情况（如前所示），它返回的都是一些未初始化的垃圾值。
arange是Python内置函数range的数组版：
下表列出了一些数组创建函数。由于NumPy关注的是数值计算，因此，如果没有特别指定，数据类型基本都是float64（浮点数）。
ndarray的数据类型dtype（数据类型）是一个特殊的对象，它含有ndarray将一块内存解释为特定数据类型所需的信息：
数值型dtype的命名方式：一个类型名（如float或int），后面跟一个用于表示各元素位长的数字。标准的双精度浮点值（即Python中的float对象）需要占用8字节（即64位）。因此，该类型在NumPy中就记作float64。表4-2列出了NumPy所支持的全部数据类型。
可以通过ndarray的astype方法显式地转换其dtype
通过astype不会改变源数组的数据类型，通过赋值给变量可以复制源数据并且数据类型为改变后的类型
调用astype无论如何都会创建出一个新的数组（原始数据的一份拷贝），即使新dtype跟老dtype相同也是如此。警告：注意，浮点数（比如float64和float32）只能表示近似的分数值。在复杂计算中，由于可能会积累一些浮点错误，因此比较操作只能在一定小数位以内有效。
可通过另一种方式改变数组的数据类型：
使用4-2中的类型代码，以下为为11个长度的字符串
