Numpy是Python中用于科学计算的基础包。它一个Python类库，其中提供了多维数组对象，及其各种派生对象（如掩码数组、矩阵等），以及基于这些数组对象各种快速操作的方法，包括数学计算、逻辑处理、图形操作、排序、选择、输入/输出（I/O）,离散傅里叶变换，基本的线性代数、基本的统计操作，随机模拟等。
- Numpy包的核心是ndarray对象，它是对同类型数据的多维数组的封装，同时为了执行性能，在编译代码中还包含了很多性能相关的操作。Numpy数组与标准的Python序列有一些重要的差异：
- Numpy数组在创建时有固定的尺寸，这与Python的列表不同（Python的列表可以动态增长）。改变ndarray数组的尺寸，将会创建一个新的数组，并删除原始数组；
- 在Numpy数组中的元素必须是相同的数据类型，这样数组元素就会有相同的内存尺寸。但对象数组除外，它允许在数组中包含不同尺寸的对象元素；
- Numpy数组便于对大数据进行高级的数学运算和其他类型的操作。如执行高效的操作，减少代码量（与使用Python内置的的序列相比）等；
越来越多的基于Python的科学和数据运算使用Numpy数组，虽然它们大都支持Python序列的输入，但在处理之前这些序列会被转换为Numpy数组，并且输出的大多是Numpy数组。也就是说，为了提高性能，编写基于Python的科学/数学相关的软件，仅仅知道如何使用Python的内置序列类型是不够，还需要了解如何使用Numpy数组。
关于序列大小与执行速度的问题，在科学计算中是非常重要的。例如：两个相同长度的一维序列相乘，如果数据保存在两个Python的列表中，那么我们会像如下代码那样，迭代a和b序列中的每个元素：
c = []
for i in range(len(a)):
c.append(a[i]*b[i])
无疑，上述代码会输出正确的结果，但是如果a和b中都包含了上百万的数据，我们将为Python循环的低效率而付出代价。我们能够通过编写如下所示的C代码来快速的完成同样的任务：
for (i = 0; i < rows; i++): {
c[i] = a[i]*b[i];
}
这种编码方式虽然节省了很多对Python代码进行解释和对象维护的开销，但却牺牲了Python为我们提供的编码的好处，此外，也增加了我们的编码量。例如使用C语言编写的处理二维数组的代码：
for (i = 0; i < rows; i++): {
for (j = 0; j < columns; j++): {
c[i][j] = a[i][j]*b[i][j];
}
}
Numpy为我们提供最好的编码实践：当使用ndarray数组时，逐个元素的操作是其“默认模式”，但通过预编译的C代码元素的逐个操作可以被快速的之执行，例如，在Numpy中，数组操作可以像如下代码这样编写：
c = a * b
在上面的示例中，性能已经非常接近C语言，但基于Python的代码却非常简单。的确，Numpy的代码风格更加简单。最后的这个示例演示了两个Numpy的重要特性：矢量性和广播。
矢量性使得代码没有显示的循环、索引等，当然事情这些会在后续的优化和预编译成C的代码时发生。矢量代码有很多好处，其中包括：
- 矢量化让代码更加简洁和易读；
- 很少的代码意味着很少的Bug；
- 编码更加接近标准的数据符号（这让使用正确编码的数学结构更加容易）；
矢量化导致更加Python化的编码风格，没有矢量化，我们的代码会变得混乱和低效，并且对循环代码也很难阅读。
广播这个术语是用于说明隐式的逐个元素操作行为。通常，在Numpy中，所有的操作，不仅是算术操作，包括逻辑处理、位运算、函数等，都使用这种隐式的逐个元素的操作方法，即广播。此外，在上面的示例中，a和b可以是相同形状的多维数组，也可以是一个标量和一个数组，也可以是两个不同形状的数组，前提是较小的数组可以扩展成与较大数组的形状一致，这样就使得广播操作明确，有关广播的更多详细规则，请看numpy.doc.broadcating.
Numpy完全支持面向对象的编程方法，例如ndarray就是一个类，它拥有很多方法和属性，它的很多被映射到Numpy命名空间的最外层的函数中。因此程序员完全可以选择自己喜欢编程方式来完成手头的任务。