关于数据科学环境的建立，可以参考我的博客：【深耕 Python】Data Science with Python 数据科学（1）环境搭建
Jupyter代码片段1：简单数组的定义和排序
python
import numpy as np
np.array([1, 2, 3])
a = np.array([9, 6, 2, 4, 3, 1])
print(len(a))
a.sort()
print(a)
a输出结果：
Jupyter代码片段2：范围数组
python
r = range(17)
print(r)
print(list(r))
a = np.arange(17)
a输出结果：
Jupyter代码片段3：对数组的整体操作
python
print([3 * i for i in r])
print(3 * a)
a ** 2输出结果：
Jupyter代码片段4：numpy vs 循环用时比较
python
import timeit
t1 = timeit.timeit("[i ** 2 for i in range(50)]")
t2 = timeit.timeit("import numpy as np; np.arange(50) ** 2")
t1, t2, t1 / t2输出结果：
优化的底层原理： NumPy将循环语句使用C语言进行优化（Python本即用C语言写成）。
进一步比较2者的速度差异
python
%%timeit
[i ** 2 for i in range(1000)]
python
%%timeit
np.arange(1000) ** 2输出#1：96 µs ± 5.32 µs per loop (mean ± std. dev. of 7 runs, 10,000 loops each)
输出#2：4.04 µs ± 413 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)
这样，二者运算速度的区别就一目了然了。
Jupyter代码片段5：高维数组及其子数组
python
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a)
print(a.shape)
print(a[0, :])
print(a[:, 0])
A = a[0:2, 0:2]
print(A)
A = a[:2, :2]
A输出结果：
Jupyter代码片段6：二维数组（矩阵）的求逆
python
Ainv = np.linalg.inv(A)
print(Ainv)
print(A + Ainv)
print(A * Ainv)
print(A @ Ainv)
print(np.matmul(A, Ainv))输出结果：
注意： （2阶）单位阵处的浮点误差。
Jupyter代码片段7：数组（矩阵）的重构
python
a = np.arange(16)
print(a.reshape((2, 8)))
print(a)
b = a.reshape((4, 4))
print(b)
a.reshape((-1, 2))输出结果：
注意（小坑点）： 使用a.reshape()并不会改变a本身，需要结合赋值语句来使用。
参考文献 Reference
Learn Enough PYTHON to be Dangerous: Software Development, Flask Web Apps, and Beginning Data Science with Python, Michael Hartl, Pearson, 2023.