数组很重要，因为它使你不用编写循环即可对数据执行批量运算。这通常就叫做矢量化（vectorization）。大小相等的数组之间的任何算术运算都会将运算应用到元素级：
同样，数组与标量的算术运算也会将那个标量值传播到各个元素：（这里的标量是指一个具体的值）
基本的索引和切片NumPy数组的索引是一个内容丰富的主题，因为选取数据子集或单个元素的方式有很多。一维数组很简单。从表面上看，它们跟Python列表的功能差不多：
当你将一个标量值赋值给一个切片时（如arr[5:8]=12），该值会自动传播（也就说后面将会讲到的“广播”）到整个选区。跟列表最重要的区别在于，数组切片是原始数组的视图。这意味着数据不会被复制，视图上的任何修改都会直接反映到源数组上：
改变arry2元素的值，源数组数据随即改变
由于NumPy的设计目的是处理大数据，所以你可以想象一下，假如NumPy坚持要将数据复制来复制去的话会产生何等的性能和内存问题。
对于高维度数组，能做的事情更多。在一个二维数组中，各索引位置上的元素不再是标量而是一维数组：
因此，可以对各个元素进行递归访问，但这样需要做的事情有点多。你可以传入一个以逗号隔开的索引列表来选取单个元素。
上例中arry1[1,3]等效于arry1[1][3]
二维数组的索引方式:
在多维数组中，如果省略了后面的索引，则返回对象会是一个维度低一点的ndarray（它含有高一级维度上的所有数据）。因此，在2×2×3数组array1中,array1[0]是一个2*3的数组：
标量值和数组都可以被赋值给array1[0]：(数据接上图)
切片索引
切片沿着第0轴（即第一个轴）切片的。也就是说，切片是沿着一个轴向选取元素的。你可以一次传入多个切片，就像传入多个索引那样：
传入多个切片索引，三维数据可在一个表达示中切三次，两维数据切两次，最后一次就是具体的元素了！
“只有冒号”表示选取整个轴，因此你可以像下面这样只对高维轴进行切片：
