故事比喻：魔法书架与多维数组（Numpy 多维数组）
在一个神秘的图书馆里，有一座巨大的魔法书架，它可以整齐地存放、查找、调整和计算大量的书籍。这个书架的排列方式非常特殊，就像 Numpy 的多维数组（ndarray），每一层、每一排、每一个格子都有规律可循。
1d 数组：单层书架（Numpy 的 1 维数组）
首先，魔法书架的第一层存放着一系列书籍，它们整齐地排成一排。
比喻：一维数组（1d array）就是一排书。
import numpy as np
shelf = np.array([‘哈利波特’, ‘纳尼亚传奇’, ‘指环王’])
? 特点：
? 只有一排，没有更复杂的结构。
? 你可以用索引快速找到书，比如 shelf[0] 就是 ‘哈利波特’。
2d 数组：多层书架（Numpy 的 2 维数组）
馆长觉得一排书不够放，于是他增加了第二层书架，现在书架上有多行书，每一行都是一个类别：
书架层 书籍1 书籍2 书籍3
第一层（小说） 哈利波特 纳尼亚传奇 指环王
第二层（科幻） 三体 银河帝国 沙丘
比喻：二维数组（2d array）就像一个有多层的书架，每一行是一个类别。
shelves = np.array([
[‘哈利波特’, ‘纳尼亚传奇’, ‘指环王’],
[‘三体’, ‘银河帝国’, ‘沙丘’]
])
? 特点：
? 每一行都是一类书，比如 第一行是小说，第二行是科幻。
? shelves[1, 0] 代表 ‘三体’，因为 [1] 代表第二层，[0] 代表第一本书。
3d 数组：多排、多层、多书架（Numpy 的 3 维数组）
为了存放更多的书，图书馆扩建了一个新的房间，里面有多个这样的书架。现在整个图书馆的结构变成这样：
比喻：三维数组（3d array）就像有多个书架的房间。
library = np.array([
[ # 第一个书架
[‘哈利波特’, ‘纳尼亚传奇’, ‘指环王’],
[‘三体’, ‘银河帝国’, ‘沙丘’]
],
[ # 第二个书架
[‘时间简史’, ‘自私的基因’, ‘黑天鹅’],
[‘计算机科学导论’, ‘人工智能原理’, ‘数学之美’]
]
])
? 特点：
? 现在有多个独立的书架，每个书架有多层，每层有多本书。
? library[1, 0, 2] 代表的是 ‘黑天鹅’：
? [1] 代表 第二个书架（科普 & 计算机）。
? [0] 代表 第一层（科普类书籍）。
? [2] 代表 第三本书（黑天鹅）。
Numpy 多维数组的强大之处
1. 快速查找：就像书架上编号一样，我们可以用索引找到任何一本书，比如 library[1, 0, 2] 直接定位到《黑天鹅》。
2. 批量操作：如果我们想一次性把所有书架的书名都改成大写，只需一行代码，而不需要手动翻书：
library = np.char.upper(library)
3. 强大的数学计算能力：假设书架上放的不是书，而是销量数据，我们可以一键计算总销量、平均销量、最高销量等，比传统的循环处理快很多。
总结：Numpy 的多维数组就像魔法书架
? 1d 数组（单排书架）：一排书，按序存放。
? 2d 数组（多层书架）：有多个层，每一行是一类书。
? 3d 数组（多个书架）：多个书架，每个书架有多层，每层有多本书。
思考：你生活中还有哪些类似 Numpy 数组的结构？比如 Excel 表格、仓库货架、电影分类系统？Numpy 的强大之处就在于，它能让我们轻松管理和计算这些数据！