2020-07-24 19:32:18

docs/numpy-essentials/10.md

@@ -15,7 +15,7 @@ NumPy 是 Python 中功能强大的科学模块； 希望在前九章中，我
 
 您可以从 [Pandas 官方网站](http://pandas.pydata.org/)下载并安装 Pandas。 一种更可取的方法是使用 pip 或安装 Python 科学发行版，例如 Anaconda。
 
-还记得我们如何使用`numpy.genfromtxt()`读取第 4 章， “Numpy 核心和子模块”中的`csv`数据吗？ 实际上，使用 Pandas 来读取表格并将经过预处理的数据传递给`ndarray`（简单地执行`np.array(data_frame)`会将数据帧转换为多维`ndarray`）对于分析来说是更可取的工作流程。 在本节中，我们将向您展示 Pandas 的两个基本数据结构：`Series`（用于一维）和`DataFrame`（用于二维或多维）。然后，我们将向您展示如何使用 Pandas 来读取 表并将数据传递给
+还记得我们如何使用`numpy.genfromtxt()`读取第 4 章， “Numpy 核心和子模块”中的`csv`数据吗？ 实际上，使用 Pandas 来读取表格并将经过预处理的数据传递给`ndarray`（简单地执行`np.array(data_frame)`会将数据帧转换为多维`ndarray`）对于分析来说是更可取的工作流程。 在本节中，我们将向您展示 Pandas 的两个基本数据结构：`Series`（用于一维）和`DataFrame`（用于二维或多维）。然后，我们将向您展示如何使用 Pandas 来读取表并将数据传递给它。
 
 然后，我们将向您展示如何使用 Pandas 读取表并将数据传递给`ndarray`进行进一步分析。 让我们从`pandas.Series`开始：
 
@@ -170,7 +170,7 @@ random_state = 50)
 
 ```
 
-在前面的示例中，我们使用`train_test_split()`函数将糖尿病数据集分为训练和测试数据集（针对数据及其类别）。 前两个参数是我们要拆分的数组。 `random_state`参数是可选的，这意味着伪随机数生成器状态用于随机采样。 默认拆分率是 0.25，这意味着 75％的数据拆分为训练集，而 25％的数据拆分为测试集。 您可以尝试打印出我们刚刚创建的训练/测试数据集，以查看其分布情况（在前面的代码示例中，`X_train`代表糖尿病数据的训练数据集，`X_test`代表糖尿病测试数据，`y_train`代表分类的糖尿病训练数据，`y_test`代表分类的糖尿病测试数据。
+在前面的示例中，我们使用`train_test_split()`函数将糖尿病数据集分为训练和测试数据集（针对数据及其类别）。 前两个参数是我们要拆分的数组。 `random_state`参数是可选的，这意味着伪随机数生成器状态用于随机采样。 默认拆分率是 0.25，这意味着 75% 的数据拆分为训练集，而 25% 的数据拆分为测试集。 您可以尝试打印出我们刚刚创建的训练/测试数据集，以查看其分布情况（在前面的代码示例中，`X_train`代表糖尿病数据的训练数据集，`X_test`代表糖尿病测试数据，`y_train`代表分类的糖尿病训练数据，`y_test`代表分类的糖尿病测试数据。
 
 接下来，我们将数据集拟合为线性回归模型：
 
@@ -219,7 +219,7 @@ netCDF4 是 netCDF 库的第四个版本，该库是在 HDF5（分层数据格
 
 您可以从[官方文档页面](http://unidata.github.io/netcdf4-python/)，或从[这里](https://github.com/Unidata/netcdf4-python)下载并安装该模块。 它不包含在标准的 Python Scientific 发行版中，但已内置在 NumPy 中，可以与 Cython 一起构建（建议但并非必需）。
 
-对于以下示例，我们将使用 Unidata 网站上的示例`netCDF4`文件，该文件位于[这里](http://www.unidata.ucar.edu/software/netcdf/examples/files.html)，并且 我们将以气候系统模型为例：`sresa1b_ncar_ccsm3-example.nc`
+对于以下示例，我们将使用 Unidata 网站上的示例`netCDF4`文件，该文件位于[这里](http://www.unidata.ucar.edu/software/netcdf/examples/files.html)，并且我们将以气候系统模型为例：`sresa1b_ncar_ccsm3-example.nc`
 
 首先，我们将使用`netCDF4`模块稍微探索一下数据集，并提取我们需要进行进一步分析的值：
 
@@ -370,4 +370,4 @@ In [18]: plt.show()
 
 NumPy 当然是使用 Python 进行科学计算的核心：许多模块都基于 NumPy。 尽管有时您可能会发现 NumPy 没有分析模块，但它无疑为您提供了一种接触广泛科学模块的方法。
 
-我们希望本书的最后一章为您提供了一个关于将这些模块与 NumPy 一起使用的好主意，并使您的脚本更加有效（本书中无法涵盖很多便捷的 NumPy 模块；仅在 GitHub 上度过了一个下午 或 PyPI，您可能会发现其中的少数几个）。 最后但并非最不重要的一点，感谢您花时间与我们一起完成许多功能。 现在与 NumPy 一起玩吧！
\ No newline at end of file
+我们希望本书的最后一章为您提供了一个关于将这些模块与 NumPy 一起使用的好主意，并使您的脚本更加有效（本书中无法涵盖很多便捷的 NumPy 模块；仅在 GitHub 或 PyPI 上度过一个下午，您可能会发现其中的少数几个）。 最后但并非最不重要的一点，感谢您花时间与我们一起完成许多功能。 现在与 NumPy 一起玩吧！
\ No newline at end of file

docs/numpy-essentials/2.md

@@ -28,7 +28,7 @@ from numpy import *
 
 ```
 
-因为它可能会覆盖全局名称空间中已经存在的许多功能，所以不建议这样做。 这可能会导致您的代码出现意外行为，并可能在其中引入非常细小的错误。 这也可能会在代码本身中造成冲突（例如 numPy 具有`any`并会与系统`any`关键字发生冲突），并可能在检查或调试一段代码时引起混乱。 因此，重要的是建议始终使用带有显式名称的导入 numPy，例如第一行中使用的`np`约定：-`import numpy as np`，这是用于导入目的的标准约定，因为它有助于 开发人员找出功能的来源。 这可以避免大型程序中的许多混乱。
+因为它可能会覆盖全局名称空间中已经存在的许多功能，所以不建议这样做。 这可能会导致您的代码出现意外行为，并可能在其中引入非常细小的错误。 这也可能会在代码本身中造成冲突（例如 numPy 具有`any`并会与系统`any`关键字发生冲突），并可能在检查或调试一段代码时引起混乱。 因此，重要的是建议始终使用带有显式名称的导入 numPy，例如第一行中使用的`np`约定：-`import numpy as np`，这是用于导入目的的标准约定，因为它有助于开发人员找出功能的来源。 这可以避免大型程序中的许多混乱。
 
 如我们将看到的，可以用多种方式创建 NumPy 数组。 创建数组的最简单方法之一是使用`array`函数。 注意，我们向函数传递了一个列表列表，组成列表的长度相等。 每个组成列表成为数组中的一行，并且这些列表的元素填充了结果数组的列。 `array`函数可以在列表甚至嵌套列表上调用。 由于此处输入的嵌套级别是 2，因此生成的数组是二维的。 这意味着可以使用两个整数集对数组进行索引。 计算数组维数的最简单方法是检查数组的`ndim`属性：
 

docs/numpy-essentials/3.md

@@ -30,7 +30,7 @@ Out[5]: array([-1,  4,  9,  0])
 
 ```
 
-两个 NumPy 数组逐个元素相乘。 在前面的示例中，两个数组的形状相同，因此此处不应用广播（我们将在后面的部分中解释不同的形状，NumPy Array 操作和广播规则。）数组`x`中的第一个元素乘以 数组`y`中的第一个元素，依此类推。 这里要注意的重要一点是，两个 NumPy 数组之间的算术运算不是矩阵乘法。 结果仍然返回相同形状的 NumPy 数组。 NumPy 中的矩阵乘法将使用`numpy.dot()`。 看一下这个例子：
+两个 NumPy 数组逐个元素相乘。 在前面的示例中，两个数组的形状相同，因此此处不应用广播（我们将在后面的部分中解释不同的形状，NumPy Array 操作和广播规则。）数组`x`中的第一个元素乘以数组`y`中的第一个元素，依此类推。 这里要注意的重要一点是，两个 NumPy 数组之间的算术运算不是矩阵乘法。 结果仍然返回相同形状的 NumPy 数组。 NumPy 中的矩阵乘法将使用`numpy.dot()`。 看一下这个例子：
 
 ```py
 In [6]: np.dot(x, y) 
@@ -58,7 +58,7 @@ In [11]: %timeit [i + 1 for i in y]
 
 ```
 
-`x `和`y`这两个变量的长度相同，并且执行相同的工作，其中包括向数组中的所有元素添加值。 在 NumPy 操作的帮助下，性能比普通的 Python `for`循环要快得多（我们在这里使用列表推导来编写整洁的代码，这比普通的 Python `for`循环要快，但是 NumPy 的性能却更好 与普通的 Python `for`循环相比）。 知道这个巨大的区别可以通过用 NumPy 操作替换循环来帮助您加速代码。
+`x `和`y`这两个变量的长度相同，并且执行相同的工作，其中包括向数组中的所有元素添加值。 在 NumPy 操作的帮助下，性能比普通的 Python `for`循环要快得多（我们在这里使用列表推导来编写整洁的代码，这比普通的 Python `for`循环要快，但是与普通的 Python `for`循环相比，NumPy 的性能却更好）。 知道这个巨大的区别可以通过用 NumPy 操作替换循环来帮助您加速代码。
 
 正如我们在前面的示例中提到的，性能的提高归因于 NumPy 数组中一致的`dtype`。 可以帮助您正确使用 NumPy 数组的技巧是在执行任何操作之前始终考虑`dtype` ，因为您很可能会在大多数编程语言中进行此操作。 下面的示例将为您展示使用相同操作的巨大不同结果，但这是基于不同的`dtype`数组：
 
@@ -328,7 +328,7 @@ Out[60]: array([False, False,  True, False, False,  True], dtype=bool)
 
 ```
 
-从前面的示例中我们可以看到，通过应用`<`逻辑符号，我们将标量应用于 NumPy 数组，并将新数组命名为`mask`，它仍被向量化并返回`True` / `False `布尔值 具有相同形状的变量`x`表示`x`中的哪个元素符合标准：
+从前面的示例中我们可以看到，通过应用`<`逻辑符号，我们将标量应用于 NumPy 数组，并将新数组命名为`mask`，它仍被向量化并返回与`x`形状相同的`True`/`False `布尔值，表示`x`中的哪个元素符合标准：
 
 ```py
 In [61]: x [mask] = 0 

docs/numpy-essentials/4.md

@@ -11,7 +11,7 @@
 
 # 步幅
 
-步幅是 NumPy 数组中的索引方案，它指示要跳转以查找下一个元素的字节数。 我们都知道 NumPy 的性能改进来自具有固定大小项的同构多维数组对象`numpy.ndarray`对象。 我们已经讨论了`ndarray`对象的`shape`（维度），数据类型和顺序（C 风格的行主要索引数组和 Fortran 风格的列主要数组）。现在该讨论 仔细看看**步幅**。
+步幅是 NumPy 数组中的索引方案，它指示要跳转以查找下一个元素的字节数。 我们都知道 NumPy 的性能改进来自具有固定大小项的同构多维数组对象`numpy.ndarray`对象。 我们已经讨论了`ndarray`对象的`shape`（维度），数据类型和顺序（C 风格的行主要索引数组和 Fortran 风格的列主要数组）。现在让我们仔细看看**步幅**。
 
 让我们首先创建一个 NumPy 数组并更改其形状以查看步幅的差异。
 
@@ -143,7 +143,7 @@ array(['NumPy', 'Essential'], dtype='|S10')
 
 ```
 
-检索数据的方式保持不变，我们使用索引来获取记录，但是此外，我们可以使用字段名称来获取某些字段的值，因此在上一个示例中，我们使用`f2`来获取字符串 领域。 在下面的示例中，我们将创建名为`y`的`x`视图，并查看其如何与原始记录数组交互：
+检索数据的方式保持不变，我们使用索引来获取记录，但是此外，我们可以使用字段名称来获取某些字段的值，因此在上一个示例中，我们使用`f2`来获取字符串字段。 在下面的示例中，我们将创建名为`y`的`x`视图，并查看其如何与原始记录数组交互：
 
 ```py
 In [25]: y = x['f0'] 
@@ -311,7 +311,7 @@ Out[56]:
 
 ## 文件 I/O 和 NumPy
 
-现在我们可以执行 NumPy 数组计算和操作，并且知道如何构造记录数组，现在是时候进行一些实际的分析了，方法是将文件读入 NumPy 数组并将结果数组输出到文件中以进行进一步的分析 分析。
+现在我们可以执行 NumPy 数组计算和操作，并且知道如何构造记录数组，现在是时候进行一些实际的分析了，方法是将文件读入 NumPy 数组并将结果数组输出到文件中以进行进一步的分析。
 
 我们应该谈论先读取文件然后导出文件。 但是现在，我们将逆转此过程，先创建一个记录数组，然后将其输出到 CSV 文件。 我们将导出的 CSV 文件读入 NumPy 记录数组，并将其与原始记录数组进行比较。 我们将要创建的样本数组将包含一个带有连续整数的`id`字段，一个包含随机浮点数的`value`字段和一个带有`numpy.datetime64['D']`的`date`字段。 本练习将使用您从前面的章节中获得的所有知识。 让我们开始创建记录数组：
 

docs/numpy-essentials/5.md

@@ -290,7 +290,7 @@ Out[48]:
 
 ```
 
-`ndarrayz`是实型（`numpy.float64`），因此在计算特征值时会自动四舍五入。 从理论上讲，特征值应为`1 ± 1e-10`，但从第一个`np.linalg.eig()`可以看出 特征值都向上舍入为`1`。
+`ndarrayz`是实型（`numpy.float64`），因此在计算特征值时会自动四舍五入。 从理论上讲，特征值应为`1 ± 1e-10`，但从第一个`np.linalg.eig()`可以看出特征值都向上舍入为`1`。
 
 `svd`可以认为是特征值的扩展。 我们可以使用`numpy.linalg.svd()`分解`M x N`数组，所以让我们从一个简单的例子开始：
 
@@ -464,7 +464,7 @@ Out[82]: True
 
 在这种情况下，我们将只使用 100 作为总人口，并模拟年龄和睡眠得分，其分布与调查结果相同。 我们想知道他们的年龄在增长，睡眠质量（分数）增加还是减少？ 如您所知，这是一个隐藏的线性回归实践。 一旦我们绘制了年龄和睡眠分数的回归线，通过观察该线的斜率，就可以得出答案。
 
-但是在讨论应该使用哪个 NumPy 函数以及如何使用它之前，让我们首先创建数据集。 根据调查，我们知道 20 岁以下的参与者占 7％，21 岁至 30 岁的参与者占 24％，31 岁至 40 岁的参与者占 21％，60 岁以上的参与者占 21％。因此，我们首先创建一个代表每个参与者人数的组列表 年龄组，并使用`numpy.random.randint()`模拟我们 100 个人口中的实际年龄，以查看年龄变量。 现在我们知道了每个年龄段的睡眠分数分布，我们称其为`scores`：这是`[5.5, 5.7, 5.4, 4.9, 4.6, 4.4]`的列表，`[5.5, 5.7, 5.4, 4.9, 4.6, 4.4]`是根据年龄段从最小到最大的顺序排列的。 在这里，我们还使用`np.random.rand()`函数以及均值（来自分数列表）和标准方差（均设置为`0.01`）来模拟分数分布（当然，如果您有一个好的数据集，则可以使用） ，最好只使用上一章介绍的`numpy.genfromtxt()`函数）：
+但是在讨论应该使用哪个 NumPy 函数以及如何使用它之前，让我们首先创建数据集。 根据调查，我们知道 20 岁以下的参与者占 7%，21 岁至 30 岁的参与者占 24%，31 岁至 40 岁的参与者占 21%，60 岁以上的参与者占 21% 。因此，我们首先创建一组列表，代表每个年龄组的人数，并使用`numpy.random.randint()`模拟我们 100 个人口中的实际年龄，以查看年龄变量。 现在我们知道了每个年龄段的睡眠分数分布，我们称其为`scores`：这是`[5.5, 5.7, 5.4, 4.9, 4.6, 4.4]`的列表，`[5.5, 5.7, 5.4, 4.9, 4.6, 4.4]`是根据年龄段从最小到最大的顺序排列的。 在这里，我们还使用`np.random.rand()`函数以及均值（来自分数列表）和标准方差（均设置为`0.01`）来模拟分数分布（当然，如果您有一个好的数据集，则可以使用） ，最好只使用上一章介绍的`numpy.genfromtxt()`函数）：
 
 ```py
 In [83]: groups = [7, 24, 21, 19, 17, 12] 
@@ -512,7 +512,7 @@ Out[92]: 6.30307651938
 
 ```
 
-现在我们有斜率`m`和常数`c`。 我们的回归线是`y = -0.0294x + 6.3031`，这表明，随着年龄的增长，人的年龄会略有下降 在他们的睡眠分数/质量中，如下图所示：
+现在我们有斜率`m`和常数`c`。 我们的回归线是`y = -0.0294x + 6.3031`，这表明，随着年龄的增长，人的睡眠分数/质量会略有下降，如下图所示：
 
 ![Application - regression and curve fitting](img/00015.jpeg)
 

docs/numpy-essentials/6.md

@@ -39,7 +39,7 @@ def show(ori_func, ft, sampling_period = 5):
 
 ```
 
-这是一个名为`show()`的显示函数，它具有两个输入参数：第一个是原始信号函数（`ori_func`），第二个是其傅里叶变换（`ft`）。 此方法将使用`matplotlib.pyplot`模块创建两个折线图：顶部带有黑线的原始信号，其中 *x* 轴表示时间间隔（我们设置了默认值 在我们所有的示例中，信号采样周期为 5 秒）， *y* 轴代表信号的幅度。 图表的下部是带有红线的傅里叶变换，其中 *x* 轴表示频率， *y* 轴代表振幅频谱。
+这是一个名为`show()`的显示函数，它具有两个输入参数：第一个是原始信号函数（`ori_func`），第二个是其傅里叶变换（`ft`）。 此方法将使用`matplotlib.pyplot`模块创建两个折线图：顶部带有黑线的原始信号，其中 *x* 轴表示时间间隔（在我们所有的示例中，我们设置了默认值，信号采样周期为 5 秒）， *y* 轴代表信号的幅度。 图表的下部是带有红线的傅里叶变换，其中 *x* 轴表示频率， *y* 轴代表振幅频谱。
 
 在下一节中，我们将简单地介绍不同类型的信号波，并使用`numpy.fft`模块计算傅立叶变换。 然后我们调用`show()`函数以提供它们之间的视觉比较。
 

docs/numpy-essentials/7.md

@@ -32,7 +32,7 @@
 
 # 建立第一个工作发行版
 
-我们前面提到的所有工具（`setuptools`，`Distutils`和`numpy.distutils`）都围绕功能设置。 为了了解大多数包装要求，我们将研究一个简单的设置功能，然后研究一个成熟的安装程序。 要创建基本的安装程序，我们需要使用有关程序包的元数据调用安装程序功能。 让我们叫第一个包`py_hello`，它只有一个功能`greeter`，并且在调用时只打印一条消息。 可从[的 Bitbucket 存储库下载该程序包 https://bitbucket.org/tdatta/books/src/af376df081ef/python/simple_setup/?at=master](https://bitbucket.org/tdatta/books/src/af376df081ef/python/simple_setup/?at=master) 该项目的项目目录结构如下 以下：
+我们前面提到的所有工具（`setuptools`，`Distutils`和`numpy.distutils`）都围绕功能设置。 为了了解大多数包装要求，我们将研究一个简单的设置功能，然后研究一个成熟的安装程序。 要创建基本的安装程序，我们需要使用有关程序包的元数据调用安装程序功能。 让我们叫第一个包`py_hello`，它只有一个功能`greeter`，并且在调用时只打印一条消息。 可从 [Bitbucket 存储库下载该程序包](https://bitbucket.org/tdatta/books/src/af376df081ef/python/simple_setup/?at=master)。该项目的目录结构如下：
 
 ```py
 py_hello 

docs/numpy-essentials/8.md

@@ -2,7 +2,7 @@
 
 Python 与 NumPy 库相结合为用户提供了编写高度复杂的函数和分析的工具。 随着代码的大小和复杂性的增长，代码库中的低效率问题开始蔓延。一旦项目进入完成阶段，开发人员就应开始关注代码的性能并分析瓶颈。 Python 提供了许多工具和库来创建优化且性能更快的代码。
 
-在本章中，我们将研究一种名为 Cython 的工具。 Cython 是 Python 和“Cython”语言的静态编译器，在从事科学图书馆/数值计算的开发人员中特别流行。 许多用 Python 编写的著名分析库都大量使用 Cython（Pandas，SciPy，scikit-learn 等）。
+在本章中，我们将研究一种名为 Cython 的工具。 Cython 是 Python 和“Cython”语言的静态编译器，在从事科学库/数值计算的开发人员中特别流行。 许多用 Python 编写的著名分析库都大量使用 Cython（Pandas，SciPy，scikit-learn 等）。
 
 Cython 编程语言是 Python 的超集，用户仍然喜欢 Python 所提供的所有功能和更高层次的结构。 在本章中，我们将研究 Cython 起作用的许多原因，并且您将学习如何将 Python 代码转换为 Cython。 但是，本章不是 Cython 的完整指南。
 
@@ -30,7 +30,7 @@ Cython 编程语言是 Python 的超集，用户仍然喜欢 Python 所提供的
 
 Cython 是一个将类型定义的 Python 代码转换为 C 代码的编译器，该代码仍在 Python 环境中运行。 最终输出是本机代码，其运行速度比 Python 生成的字节码快得多。 在大量使用循环的代码中，Python 代码加速的幅度更加明显。 为了编译 C 代码，首要条件是在计算机上安装 C/C++ 编译器，例如`gcc`（Linux）或`mingw`（Windows）。
 
-第二步是安装 Cython。 Cython 与其他带有 Python 模块的库一样，可以使用任何首选的方法（pip，easy_install 等）进行安装。 完成这两个步骤后，您可以通过尝试从 Shell 调用 Cython 来测试设置。 如果收到错误消息，则说明您错过了第二步，需要重新安装 Cython 或从 [Cython 官方网站](http://cython.org/#download)下载 TAR 归档文件，然后 从此下载的`root`文件夹中运行以下命令：
+第二步是安装 Cython。 Cython 与其他带有 Python 模块的库一样，可以使用任何首选的方法（pip，easy_install 等）进行安装。 完成这两个步骤后，您可以通过尝试从 Shell 调用 Cython 来测试设置。 如果收到错误消息，则说明您错过了第二步，需要重新安装 Cython 或从 [Cython 官方网站](http://cython.org/#download)下载 TAR 归档文件，然后从这次下载的`root`文件夹中运行以下命令：
 
 ```py
  python setup.py install 

docs/numpy-essentials/9.md

 # 九、NumPy C-API 简介
 
-NumPy 是一个通用库，旨在满足科学应用程序开发人员的大多数需求。 但是，随着应用程序的代码库和覆盖范围的增加，计算也随之增加，有时用户需要更具体的操作和优化的代码段。 我们已经展示了 NumPy 和 Python 如何具有诸如 f2py 和 Cython 之类的工具来满足这些需求。 这些工具可能是将函数重写为本地编译代码以提高速度的绝佳选择。 但是在某些情况下（利用 C 库，例如 **NAG** 编写一些分析），您可能想做一些更根本的事情，例如专门创建新的数据结构 为您自己的图书馆。 这将要求您有权访问 Python 解释器中的低级控件。 在本章中，我们将研究如何使用 Python 及其扩展名 NumPy C-API 提供的 C-API 进行此操作。 C-API 本身是一个非常广泛的主题，可能需要一本书才能完全涵盖它。 在这里，我们将提供简短的介绍和示例，以帮助您开始使用 NumPy C-API。
+NumPy 是一个通用库，旨在满足科学应用程序开发人员的大多数需求。 但是，随着应用程序的代码库和覆盖范围的增加，计算也随之增加，有时用户需要更具体的操作和优化的代码段。 我们已经展示了 NumPy 和 Python 如何具有诸如 f2py 和 Cython 之类的工具来满足这些需求。 这些工具可能是将函数重写为本地编译代码以提高速度的绝佳选择。 但是在某些情况下（利用 C 库，例如 **NAG** 编写一些分析），您可能想做一些更根本的事情，例如为您自己的库专门创建新的数据结构。 这将要求您有权访问 Python 解释器中的低级控件。 在本章中，我们将研究如何使用 Python 及其扩展名 NumPy C-API 提供的 C-API 进行此操作。 C-API 本身是一个非常广泛的主题，可能需要一本书才能完全涵盖它。 在这里，我们将提供简短的介绍和示例，以帮助您开始使用 NumPy C-API。
 
 本章将涉及的主题是：