From ed49ed9a52b5d3b790b44e7a13bb562ef6e0c480 Mon Sep 17 00:00:00 2001
From: jackfrued <jackfrued@gmail.com>
Date: Sun, 20 Dec 2020 18:41:15 +0800
Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=E4=BA=86=E6=95=B0=E6=8D=AE?=
 =?UTF-8?q?=E5=88=86=E6=9E=90=E9=83=A8=E5=88=86=E7=9A=84=E6=96=87=E6=A1=A3?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 ...Py\347\232\204\345\272\224\347\224\250.md" | 47 ++++++++++++++-----
 ...as\347\232\204\345\272\224\347\224\250.md" |  4 ++
 2 files changed, 39 insertions(+), 12 deletions(-)

diff --git "a/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.md" "b/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.md"
index 4905e2d..01fdad3 100644
--- "a/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.md"
+++ "b/Day66-70/67.NumPy\347\232\204\345\272\224\347\224\250.md"
@@ -1,8 +1,24 @@
 ## NumPy的应用
 
-Numpy是一个开源的Python科学计算库，**用于快速处理任意维度的数组**。Numpy**支持常见的数组和矩阵操作**，对于同样的数值计算任务，使用NumPy比直接使用Python不仅代码要简洁的多，而且NumPy在性能上远远优于原生Python，基本是1到2个数量级的差距，数据量越大，NumPy的优势就越明显。
+Numpy是一个开源的Python科学计算库，**用于快速处理任意维度的数组**。Numpy**支持常见的数组和矩阵操作**，对于同样的数值计算任务，使用NumPy不仅代码要简洁的多，而且NumPy的性能远远优于原生Python，基本是1个到2个数量级的差距，而且数据量越大，NumPy的优势就越明显。
 
-Numpy最为核心的数据类型是`ndarray`，使用`ndarray`可以处理一维、二维和多维数组，该对象相当于是一个快速而灵活的大数据容器。NumPy底层代码使用C语言编写，解决了GIL的限制，`ndarray`在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作数组元素时速度很快，远远优于Python中的`list`；另一方面`ndarray`对象提供了更多的方法来处理数据，尤其是和统计相关的方法，这些方法也是原生的`list`没有的。
+Numpy最为核心的数据类型是`ndarray`，使用`ndarray`可以处理一维、二维和多维数组，该对象相当于是一个快速而灵活的大数据容器。NumPy底层代码使用C语言编写，解决了GIL的限制，`ndarray`在存储数据的时候，数据与数据的地址都是连续的，这样就给使得批量操作速度很快，远远优于Python中的`list`；另一方面`ndarray`对象提供了更多的方法来处理数据，尤其是和统计相关的方法，这些方法也是Python原生的`list`没有的。
+
+ ### 安装和导入NumPy
+
+1. 安装
+
+    ```Bash
+    pip install numpy
+    ```
+
+2. 导入
+
+    ```Python
+    import numpy as np
+    ```
+
+    > **说明**：如果已经启动了Notebook但尚未安装NumPy，可以在单元格中输入`!pip install numpy `并运行该单元格来安装NumPy，安装成功后记得重启Notebook内核来使新安装的库生效。
 
 ### 创建数组对象
 
@@ -19,25 +35,32 @@ Numpy最为核心的数据类型是`ndarray`，使用`ndarray`可以处理一维
     - 方法五：通过numpy.random模块的函数生成随机数创建数组对象
 3. 多维数组：跟上面的情况相似，可以通过下面的例子进行了解。
 
-### 数组对象基本属性
+### 数组对象的属性
 
-1. size属性：元素个数
-2. shape属性：数组的形状
-3. dtype属性：元素的数据类型
-4. ndim属性：数组的维度
+1. size属性：数组元素个数
+2. itemsize属性：数组单个元素占用内存空间的字节数
+3. shape属性：数组的形状
+4. dtype属性：数组元素的数据类型
+5. ndim属性：数组的维度
+6. flat属性：数组（一维化之后）元素的迭代器
+7. nbytes属性：数组所有元素占用内存空间的字节数
+8. base属性：数组的基对象（如果数组共享了其他数组的内存空间）
 
-### 数组对象常用方法
+### 数组对象的方法
 
+#### 常用方法
 
+#### 统计方法
 
-### 数组的运算
+####其他方法
 
-1. 标量运算
-2. 矢量运算
+### 数组的运算
 
-### 数组的其他操作
+#### 标量运算
 
+#### 矢量运算
 
+#### 广播机制
 
 ### 矩阵运算
 
diff --git "a/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.md" "b/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.md"
index b279421..c5c8abb 100644
--- "a/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.md"
+++ "b/Day66-70/68.Pandas\347\232\204\345\272\224\347\224\250.md"
@@ -14,6 +14,10 @@ Pandas核心的数据类型是`Series`、`DataFrame`，分别用于处理一维
 
 
 
+#### 绘制图表
+
+
+
 #### Index的使用
 
 
-- 
GitLab