数组和标量之间的运算
        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：

        不同大小的数组之间的运算叫做广播（broadcasting）

基本的索引和切片
        NumPy数组的索引是一个内容丰富的主题，因为选取数据集成单个元素的方式有很多。一维数组很简单。从表面上看，他们跟Python列表的功能差不多：


        如上图所示，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：


        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标来选区单个元素。也就是说，下面两种方式是等价的：

        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223数组arr3d中：

        arr3d[0]是一个2 x 3数组：
        标量值和数组都可以被赋值给arr3d[0]：

        以此类推，arr3d[1, 0]可以访问索引以（1， 0）开头的那些值（以一维数组的形式返回）：

        注意：在上面所有这些选取数组子集的例子中，返回的数组都是视图。

切片索引
        ndarray的切片语法跟Python列表这样的一维对象差不多：

        高维度的花样更多，你可以在一个或多个轴上进行切片，也可以跟整数索引混合使用。对于上面那个二维数组arr2d,其切片方式稍显不同:

        可以看出，它是沿着第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:

        像这样进行切片时，只能得到相同维数的数组视图。通过将整数索引和切片混合，可以得到低维度的切片：

        注意，“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：

多谢分享