一、引言
在我们操作数组的时候，返回的是新数组还是原数组的链接，我们就需要了解对象副本和视图的区别。
向量化和广播是numpy内部实现的基础。
二、对象副本和视图
我们应该注意到，在操作数组的时候返回的不是视图就是副本。
副本：复制
视图：链接
1.所有的赋值运算不会为此创建副本。把数组a赋值给了数组b，实际上不是为数组a创建副本，b只是调用a的另一种方式。实际上，修改了b数组的第二个元素，a数组的第二个数组也随之被改变。
In []: a = np.array([,,,,]) In []: a
Out[]: array([, , , , ]) In []: b = a In []: b
Out[]: array([, , , , ]) #修改b数组的第二个元素，a数组的第二个元素也随即改变
In []: b[] = In []: a
Out[]: array([, , , , ])
2.切片操作得到的结果也是指向相同的对象。
In []: c = a[:] In []: c
Out[]: array([, ]) In []: c[] = In []: a
Out[]: array([, , , , ])
3.为数组创建副本，使用copy()
In []: a
Out[]: array([, , , , ]) In []: a = np.array([,,,]) In []: d = a.copy() In []: d
Out[]: array([, , , ]) In []: d[] =
#数组d元素的改变并不会影响数组a
In []: a
Out[]: array([, , , ])
三、向量化
有了向量化，编写code时无需使用循环，因为他在内部已经实现了。向量化使得代码更简洁，可读性更强。
数组相乘可以：a * b 而不需要for遍历数组相乘。
四、广播机制
1、广播机制实现了对两个或以上数组的运算或函数处理，即使这些数组的形状或长短不完全相同。
2、广播机制条件（满足其一即可）：1.两个数组的每一维等长 2.其中一个数组为一维数组
3、广播机制有两条规则：
1)为确实的维度补上个1.如果这时满足了兼容性条件，就可以使用广播机制了。
2）扩展最小数组，使得它与最大的数组大小相同，以便使用元素级的函数或运算符。
In [17]: a = np.array([1,2,3])
Out[17]: array([1, 2, 3,]) In [18]: b = np.arange(0,9).reshape(3,3) In [19]: b
Out[19]:
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]]) #假定为数组a用已有的值进行了填充
#array([[1, 2, 3,],
# [1, 2, 3,],
# [1, 2, 3,]])
In [20]: a+b
Out[20]:
array([[1, 3, 5],
[4, 6, 8],
[7, 9, 11]])
假定（一维数组）使用了原有的值填充，使得与另一个数组维度相同，他们的值就可以相加了。
即使更复杂的数组，两个数组形状不同、维度不同、互有长短。也仍然相互兼容，因此广播规则仍然适用。
In [21]: m = np.arange(6).reshape(3,1,2) In [22]: n = np.arange(6).reshape(3,2,1) In [23]: m
Out[23]:
array([[[0, 1]], [[2, 3]], [[4, 5]]]) In [24]: n
Out[24]:
array([[[0],
[1]], [[2],
[3]], [[4],
[5]]]) In [26]: m + n
Out[26]:
array([[[ 0, 1],
[ 1, 2]], [[ 4, 5],
[ 5, 6]], [[ 8, 9],
[ 9, 10]]])