NumPy库入门
数据的维度
从一个数据到一组数据
- 一个数据表达一个含义
- 一组数据表达一个或多个含义
维度：一组数据的组织形式
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；数组：数据类型相同
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。
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的数组对象：ndarray
NumPy
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
N维数组对象：ndarray
Python已有列表类型，为什么需要一个数组对象 (类型 ) ？
- 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实例
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
np.array()生成一个ndarray数组（ndarray在程序中的别名是:array）
np.array()输出成[]形式，元素由空格分割
轴(axis): 保存数据的维度；秩(rank)：轴的数量
ndarray对象的属性
ndarray的元素类型
ndarray为什么要支持这么多种元素类型？
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
非同质的ndarray对象
- ndarray数组可以由非同质对象构成
- 非同质ndarray元素为对象类型
- 非同质ndarray对象无法有效发挥NumPy优势，尽量避免使用
ndarray数组的创建
ndarray数组的创建方法
- 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
（ 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)
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
（ 3）使用NumPy中其他函数创建ndarray数组
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
flatten不会修改原数组
ndarray数组向列表的转换
ls = a.tolist()
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于数组的每一个元素
对ndarray中的数据执行元素级运算的函数
NumPy二元函数
