NumPy的主要對象是同種元素的多維數組。這是一個所有的元素都是一種類型、通過一個正整數元組索引的元素表格(通常是元素是數字)。

在NumPy中維度(dimensions)叫做軸(axes)，軸的個數叫做秩(rank，但是和線性代數中的秩不是一樣的，在用python求線代中的秩中，我們用numpy包中的linalg.matrix_rank方法計算矩陣的秩，例子如下)。

結果是：

線性代數中秩的定義：設在矩陣A中有一個不等于0的r階子式D，且所有r+1階子式(如果存在的話)全等于0，那末D稱為矩陣A的最高階非零子式，數r稱為矩陣A的秩，記作R(A)。

numpy中數組和矩陣的區別：

matrix是array的分支，matrix和array在很多時候都是通用的，你用哪一個都一樣。但這時候，官方建議大家如果兩個可以通用，那就選擇array，因為array更靈活，速度更快，很多人把二維的array也翻譯成矩陣。

但是matrix的優勢就是相對簡單的運算符號，比如兩個矩陣相乘，就是用符號*，但是array相乘不能這么用，得用方法.dot()

array的優勢就是不僅僅表示二維，還能表示3、4、5...維，而且在大部分Python程序里，array也是更常用的。

現在我們討論numpy的多維數組

例如，在3D空間一個點的坐標[1, 2, 3]是一個秩為1的數組，因為它只有一個軸。那個軸長度為3.又例如，在以下例子中，數組的秩為2(它有兩個維度).第一個維度長度為2,第二個維度長度為3.

[[ 1., 0., 0.], [ 0., 1., 2.]] 

NumPy的數組類被稱作ndarray。通常被稱作數組。注意numpy.array和標準Python庫類array.array并不相同，后者只處理一維數組和提供少量功能。更多重要ndarray對象屬性有：

ndarray.ndim

數組軸的個數，在python的世界中，軸的個數被稱作秩

ndarray.shape

數組的維度。這是一個指示數組在每個維度上大小的整數元組。例如一個n排m列的矩陣，它的shape屬性將是(2,3),這個元組的長度顯然是秩，即維度或者ndim屬性

ndarray.size

數組元素的總個數，等于shape屬性中元組元素的乘積。

ndarray.dtype

一個用來描述數組中元素類型的對象，可以通過創造或指定dtype使用標準Python類型。另外NumPy提供它自己的數據類型。

ndarray.itemsize

數組中每個元素的字節大小。例如，一個元素類型為float64的數組itemsiz屬性值為8(=64/8),又如，一個元素類型為complex32的數組item屬性為4(=32/8).

ndarray.data

包含實際數組元素的緩沖區，通常我們不需要使用這個屬性，因為我們總是通過索引來使用數組中的元素。

一個例子1

>>> from numpy import *>>> a = arange(15).reshape(3, 5)>>> aarray([[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])>>> a.shape(3, 5)>>> a.ndim2>>> a.dtype.name'int32'>>> a.itemsize4>>> a.size15>>> type(a)numpy.ndarray>>> b = array([6, 7, 8])>>> barray([6, 7, 8])>>> type(b)numpy.ndarray