一、数据维度
一个数据表达一个含义，一组数据表达一个或多个含义。
数据维度概念：一组数据的组织形式，其中有一维数据、二维数据、多维数据、高维数据。
1、 一维数据
一维数据由对等关系的有序或无序数据构成，采用线性方式组织。
对应：列表、集合
#列表有序 [1,2,3,4,5] #集合无序 {1,2,3,4,5}
2、二维数据
二维数据由多个一维数据构成，是一维数据的组合形式。
对应：列表
[[1,2,3],[4,5,6]]
3、多维数据
多维数据由一维或二维数据在新维度上扩展形成。
对应：列表
[[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]]]
4、高维数据
高维数据仅使用最基本二元关系展示数据间的复杂结构。
对应：字典或数据表示格式
#字典一一对应为二元关系 dict={ "x1":"1", "y1":"2", }
数据表示格式：JSON、XML、YAML等格式
二、NumPy
1、简介
NumPy是一个开源的科学计算基础库，是SciPy、Pandas等数据处理或科学计算库的基础。
2、主要功能：
（1）、提供了一个强大的N维数组对象ndarray：
优点：
1、数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。
2、设置专门的数组对象，经过优化可以提升这类应用的运算速度。
3、数组对象采用相同的数据类型，有助于节省运算和存储空间。
实例：
import numpy as np a=np.array([1,2,3,4,5]) b=np.array([6,7,8,9,10]) c=[] c=a**2+b**2 print(c)
（2）、提供了一组广播功能相关的函数，用来在数据间进行计算；
（3）、整合了C/C++/Fortran代码，并提供整合工具；
（4）、提供了线性代数、傅里叶变换、随机数生成等功能用于科学计算。
三、ndarray：
多维数组，由实际数据和描述这些数据的元数据（数据维度、数据类型）两部分构成。
一般要求所有元素类型相同，数组下标从0开始。
np.array()可以生成一个ndarray数组，输出成[]形式，元素由空格分割。
两个属性：
轴（axis）:保存数据维度；秩（rank）:轴的数量
ndarray对象的属性：
1、ndim：秩，轴数量或维度数量
import numpy as np a=np.array([[1,2,3,4,5],[6,7,8,9,10]]) print(a.ndim)
2、shape：ndarray对象尺度，即n行m列
import numpy as np a=np.array([[1,2,3,4,5],[6,7,8,9,10]]) print(a.shape)
3、size：ndarray对象元素个数，为shape中n*m
import numpy as np a=np.array([[1,2,3,4,5],[6,7,8,9,10]]) print(a.size)
4、dtype：ndarray对象的元素的类型
import numpy as np a=np.array([[1,2,3,4,5],[6,7,8,9,10]]) print(a.dtype)
5、itemsize：ndarray对象中每个元素大小
import numpy as np a=np.array([[1,2,3,4,5],[6,7,8,9,10]]) print(a.itemsize)
四、ndarray的相关操作
1、创建：
(1)、从Python中的列表、元组等
import numpy as np #不声明数据类型，创建时会自动读取类型 nd=np.array(list/tuple)
import numpy as np #声明数据类型 nd=np.array(list/tuple,dtype=np.int32)
（2）、使用NumPy中函数
| 函数 | 说明 |
| arange(n) | 返回ndarray类型，元素从0到n-1 |
| ones(shape) | 根据shape生成一个全1数组 |
| zeros(shape) | 根据shape生成全0数组 |
| full(shape,value) | 根据shape生成一个数组，每元素值全为value |
| eye(n) | 一个正方形的n*n单位矩阵，对角线为1，其余为0 |
| ones_like(a) | 根据数组a的形状生成一个全1数组 |
| zeros_like(a) | 根据数组a的形状生成一个全0数组 |
| full_like(a,value) | 根据数组a的形状生成一个数组，每元素值全为value |
| linspace() | 根据起止数据等间距地填充数据，形成数组 |
| concatenate() | 根据两个或多个数组合并成一个新数组 |
import numpy as np nd=np.linspace(2,20,10) print(nd)
添加endpoint=Flase，【2,20）linspace前闭合后开放等分：
import numpy as np nd=np.linspace(2,20,10,endpoint=False) print(nd)
concatenate合并：
import numpy as np nd=np.linspace(2,20,10) nd2=np.linspace(2,10,3) nd3=np.concatenate((nd,nd2)) print(nd3)
(3)、从字节流中
(4)、从文件中读取特定格式
2、变换
（1）、维度变换
reshape（不改变原数组）
import numpy as np nd=np.full((2,4,8),6) a=nd.reshape((8,8)) print(a) print() print(nd)
resize（改变原数组）
import numpy as np nd=np.full((2,4,8),6) print(nd) print() nd.resize((8,8)) print(nd)
（2）、元素类型变换
astype（返回一个新数组）
import numpy as np nd=np.full((2,4,8),6,dtype=int) print(nd) nd2=nd.astype(np.float) print() print(nd2)
（3）、ndarray数组转化成列表
tolist（）
import numpy as np nd=np.full((2,4,2),1) print(nd) nd2=nd.tolist() print() print(nd2)
3、索引
获取数组中特定位置元素的过程。
一维：和python列表的索引方式相同
多维：nd[x,y,z]
import numpy as np nd=np.arange(18).reshape((2,3,3)) print(nd) print("索引的元素为："+str(nd[1,2,2]))
4、切片
获取数组元素子集的过程
一维：和python列表的切片方式相同
多维：
import numpy as np nd=np.arange(18).reshape((2,3,3)) print(nd) print("切出来的：") print(nd[:,:,::2])
5、运算
数组与标量间的计算则为数组中每个元素与标量的计算。
示例：
import numpy as np nd=np.arange(18).reshape((2,3,3)) print(nd) nd=nd/2 print("运算结果：") print(nd)
函数如下：
| 函数 | 说明 |
|
abs(n) fabs(n) |
计算数组各元素的绝对值 |
| sqrt(n) | 计算数组各元素的平方根 |
| square(n) | 计算数组各元素的平方 |
| rint(n) | 各元素四舍五入 |
| modf(n) | 各元素的整数和小数部分分成两个独立数组 |
| cos(n) | 三角函数 |
| exp(n) | 各元素指数值 |
| sign(n) | 各元素的符号值，正数显示+，负数显示-，0显示0 |
| log(n) | 计算各元素对数 |
|
ceil(n) floor(n) |
计算各元素ceiling值或floor值 |