1、数据的纬度
维度：一组数据的组织形式
1.1 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、数组和集合等概念
列表：数据类型可以不同 ,如 3.1413, 'pi', 3.1404, [3.1401, 3.1349], '3.1376'
数组：数据类型相同 。如：3.1413, 3.1398, 3.1404, 3.1401, 3.1349, 3.1376
1.2 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。表格是典型的二维数据其中，表头是二维数据的一部分 。
1.3 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
1.4 高维数据
高维数据仅利用最基本的二元关系展示数据间的复杂结构
2、NumPy的数组对象：ndarray
NumPy是一个开源的Python科学计算基础库，包含：
• 一个强大的N维数组对象 ndarray
• 广播功能函数
• 整合C/C++/Fortran代码的工具
• 线性代数、傅里叶变换、随机数生成等功能
NumPy是SciPy、 Pandas等数据处理或科学计算库的基础
2.1 NumPy的引用 
2.2 N维数组对象：ndarray
例：计算 A2+B3，其中，A和B是一维数组 。
def pysum():
a=[0,1,2,3,4]
b=[9,8,7,6,5]
c=[]
for i in range(len(a)):
c.append(a[i]**2+b[i]**3)
return c
print(pysum())
利用python 已有的列表类型和循环的方法可以求出结果，但是程序繁琐。
>>> print (npsum())
None
>>> import numpy as np
>>> def npsum():
a=np.array([0,1,2,3,4])
b=np.array([9,8,7,6,5])
c=a**2+b**3
return c
>>> print(npsum())
[729 513 347 225 141]
利用numpy方式编程，可以看出，并没有使用循环，更简洁。
2.2.1
• 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
• 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
观察：科学计算中，一个维度所有数据的类型往往相同
• 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
ndarray是一个多维数组对象，由两部分构成：
• 实际的数据
• 描述这些数据的元数据（数据维度、数据类型等）ndarray数组一般要求所有元素类型相同（同质），数组下标从0开始
2.2.2
np.array()输出成[]形式，元素由空格分割 。
8位（0或者1）组成一个字节。
2.3
2.3.1ndarray数组的元素类型
对比：Python语法仅支持整数、浮点数和复数3种类型
• 科学计算涉及数据较多，对存储和性能都有较高要求
• 对元素类型精细定义，有助于NumPy合理使用存储空间并优化性能
• 对元素类型精细定义，有助于程序员对程序规模有合理评估
2.3.2
非同质的ndarray
非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用
2.4 ndarray数组的创建
创建方法
• 从Python中的列表、元组等类型创建ndarray数组
• 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
• 从字节流（raw bytes）中创建ndarray数组
• 从文件中读取特定格式，创建ndarray数组
2.4.1 从Python中的列表、元组等类型创建ndarray数组
x = np.array(list/tuple)
x = np.array(list/tuple, dtype=np.float32)
2.4.2 使用NumPy中函数创建ndarray数组，如：arange, ones, zeros等
2.5 ndarray数组的变换
2.5.1 纬度的变换
a并没有发生变化
a发生改变
输出一维，但是a并没有发生变化
2.5.2 ndarray数组的类型变换
new_a = a.astype(new_type)
2.5.3 ndarray数组向列表的转换
ls = a.tolist()
2.6 ndarray数组的操作
数组的索引和切片
索引：找到特定位置的数据
切片：找到特定位置的一组数据
一维数组的索引和切片：与Python的列表类似
多维数组的索引：
多维数组的切片：
2.7 ndarray数组的运算
2.7.1 数组与标量之间的运算
2.7.2 NumPy一元函数
2.7.3NumPy二元函数
