Numpy
数据的维度
从一个数据到一组数据
维度：一组数据的组织形式
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
列表和数组
区别
列表：数据类型可以不同
数组：数据类型相同
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。
多维数据
多维数据是由一维或二维数据在新维度上扩展形成
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
数据维度的python表示
数据维度是数据的组织形式
一维数据：列表和集合类型
二维数据：列表类型
多维数据：列表类型
高维数据：字典类型或数据表示格式（JSON、XML和YAML格式）
NumPy的数据对象：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
Numpy的引用
import numpy as np # 引入模块的别名
思考：python已有列表类型，为什么需要一个数组对象（类型）？
# 原有python的写法
def pySum():
a = [0, 1, 2, 3, 4]
b = [5, 6, 7, 8, 9]
c = []
for i in range(len(a)):
c.append(a[i]**2 + b[i]**3)
return c
print(pySum())
# 使用ndarray后
import numpy as np
def npSum():
a = np.array([0, 1, 2, 3, 4])
b = np.array([5, 6, 7, 8, 9])
c = a**2 + b**3
return c
print(npSum())
- 数组对象可以去掉元素间运算所需的循环，使得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
- 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
注意：科学计算中，一个维度所有数据的类型往往相同
naddary是一个多维数组对象，由两部分组成：
- 实际的数据
- 描述这些数据的元数据（数据维度、数据类型等）
ndarry数组一般要求所有元素类型相同（同质），数组下标从0开始
numpy实例
ndarry对象的属性
ndarry数组的元素类型
ndarray的元素类型
思考：ndarray为什么要支持那么多种元素类型？
对比：Python语法仅支持整数、浮点数、复数三种类型。
- 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
非同质的ndarray对象
ndarry数组的创建
ndarray数组的创建方法
- 从python列表、元组等类型创建ndarray数组
- 使用numpy中函数创建ndarray数组，如：arrange，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
(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, dtype=np.float32)
# 当np.array()不指定dtype时，numpy将根据数据情况关联一个dtype类型
(2) 使用numpy中函数创建ndarray数组，如：arange，ones，zeros等
注意：通过ones、zeros、eye得到的数组，默认都是浮点数类型
ndarray数组的变换
对于创建后的ndarray数组，可以对其进行维度变换和元素类型变换
ndarray数组的维度变换
ndarray数组的类型变换
注意：astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致
ndarray数组向列表的转换
ndarray数组的操作
数组的索引和切片
索引：获取数组中特定位置元素的过程
切片：获取数组元素子集的过程
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：
ndarray数组的运算
数组与标量之间的运算
数组与标量之间的运算作用与数组的每一个元素
Numpy一元函数
对ndarray中的数据执行元素级运算的函数
Numpy二元函数
总结
