ndarray对象提供了一些可以便捷地改变数组基础形状的属性和方法，例如，将一个3行4列的二维数组转换成6行2列的二维数组，关于这些属性和方法的具体说明如表9-3所示。

上述这些方法都能够改变数组的形状，但是，reshape()、ravel()方法和T属性返的都是一个已经修改的新数组，并不会修改原始数组。例如：

>>> import numpy as np>>> arr = np.array([[1, 2, 3], [4, 5, 6]]]    #创建一个2行3列的数组>>> arrarray([[1, 2, 3],      [4,5,6]])>>> new_arr = arr.reshape((3, 2))     #返回维度为（3,2）的数组>>> new arrarray([[1, 2],      [3,4],      [5,6]])>>> arr.ravel()     #对数组进行降维处理array([1, 2, 3, 4, 5, 6])>>> arr.T           #对数组进行轴对换array([[1, 4],      [2,5],      [3,6]])>>> arr            #查看原始数组是否发生变化array([[1, 2, 3],    [4,5,6]])

numpy数组制样支持索引和切片操作，具体的用法与序列类型相似。例如：

>>>arr = np.arange(1,9）.reshape((4,22)) #生成4行2列的数组>>> arrarray([[1, 2],      [3,4],      [5,6],      [7,8]])>>> arr[2]            #获取第2行数据array([5, 6])>>> arr[1:3]          #获取第1～2行数据array([[3, 4],      [5,6]])

除此之外，numpy中提供了一批具有基本数学运算功能的函数，如表9-4所示。

表9-4 numpy模块的算术运算函数

表9-4中列举的所有运算函数的参数y都是可选的，如果指定了参数y，结果将被保存到y中,比如np.add(a,b,a)表示a+=b;如果没有指定参数y,结果将被保存到一个新创建的数组中，比如c=np.add(a,b)表示c=a+b。

数组无须循环遍历便可以对每个元素执行批量的算术操作，也就是说形状相同的数组之间执行算术运算时，会应用到位置相同的元素上进行计算。例如，数组a=[1,2,3]和数组b=[4,5,6]，a*b所得的结果为1*4、2*5和3*6组成的一个新数组。若两个数组的基础形状不同，numpy可能会触发广播机制，该机制需要满足以下任一条件。