1. • ndarray.dtype：存储了数组保存的元素的类型。float32
   • ndarray.ndim：它是一个整数，保存了数组的维度，即多少个轴
   • ndarray.shape：它是一个整数的元组，每个元素一一对应地保存了数组某个维度的大小（即某个轴的长度）。
   • ndarray.strides：它是一个整数的元组，每个元素保存着每个轴上相邻两个元素的地址差。即当某个轴的下标增加1 时，数据存储区中的指针增加的字节数
   • ndarray.data：它指向数组的数据的存储区

   可以看到：该数组中元素类型为float32；该数组有2 个轴。每个轴的长度都是 3 个元素。第 0 轴增加1时，下标增加 12字节（也就是 3个元素，即一行的距离）； 第 1 轴增加 1时，下标增加 4字节（也就是一个元素的距离）。

2. 元素在数据存储区中的排列格式有两种：C语言格式和Fortran语言格式。

   • Fortran语言中，多维数组的第 0 轴是最内层的。即 0 轴的下标增加 1时，元素的地址增加的字节数最少

   numpy中默认是以 C语言格式存储数据。如果希望改为Fortran格式，则只需要在创建数组时，设置order参数为"F"

3. • C_CONTIGUOUS:数据存储区域是否是C语言格式的连续区域
   • F_CONTIGUOUS:数据存储区域是否是F语言格式的连续区域
   • :数组是否拥有此数据存储区域。当一个数组是其他数组的视图时，它并不拥有数据存储区域，通过视图数组的base属性可以获取保存数据存储区域的那个原始数组。

4. 数组的转置可以通过其T属性获取。转置数组可以简单的将其数据存储区域看作是Fortran语言格式的连续区域，并且它不拥有数据存储区域。

5. 修改数组的内容时，会直接修改数据存储区域。所有使用该数据存储区域的数组都将被同时修改！

1.1 dtype

1. numpy 有自己的浮点数类型： float16/float32/float64/float128等等。

   • 在需要指定dtype参数时，你可以使用numpy.float16，也可以传递一个表示数值类型的字符串。numpy中的每个数值类型都有几种字符串表示。字符串和类型之间的对应关系都存储在numpy.typeDict字典中。
   • dtype是一种对象，它不同于数值类型。只有dtype.type才能获取对应的数值类型
   • 你可以通过np的数值类型np.float32来创建数值对象。但要注意：numpy的数值对象的运算速度比python内置类型的运算速度要慢很多。所以应当尽量避免使用numpy的数值对象
2. 使用ndarray.astype()方法可以对数组元素类型进行转换。

1.2 shape

1. 你可以直接修改ndarry的shape属性，此时直接修改原始数组。

   • 你可以在某个维度设置其长度为 -1，此时该维度的长度会被自动计算

1.3 view

1. 我们可以通过ndarray.view()方法，从同一块数据区创建不同的dtype数组。即使用不同的数值类型查看同一段内存中的二进制数据。它们使用的是同一块内存。
2. 如果我们直接修改原始数组的，则同样达到这样的效果，此时直接修改原始数组。

1.4 strides

1. 我们可以直接修改ndarray对象的strides属性。此时修改的是原始数组。
2. 你可以使用np.lib.stride_tricks.as_stride()函数创建一个不同strides的视图。 注意：使用as_stride时并不会执行内存越界检查，因此shape和stride设置不当可能会发生意想不到的错误。

1.5 拷贝和视图

1. 当处理ndarray时，它的数据存储区有时被拷贝，但有时并不被拷贝。有三种情况。

   • 完全不拷贝：简单的赋值操作并不拷贝ndarray的任何数据，这种情况下是新的变量引用ndarray对象（类似于列表的简单赋值）

   • • 对于视图数组，ndarray.base返回的是拥有数据存储区的那个底层ndarray。而非视图数组的ndarray.base返回None
     • ndarray.flags.owndata返回数组是否拥有基础数据
   • 深拷贝：ndarray.copy()操作会返回一个完全的拷贝，不仅拷贝ndarray也拷贝数据存储区。