0 前言
一維數據一般採用線性方式表示，可以是有序或者無序的。
列表和數組都可以表示一組數據的有序結構，但是列表元素類型可以不同，數組元素類型需要相同。
列表元素數據類型可以不同:
[“1”,“2”,“str”,“4”,“pi”]
數組數據類型要相同。
二維數據是一維數據的多個組合形式。表格是典型的二維數據。
多維數據由一維或二位在新的維度上組合，如時間維度。比如去年的表格和今年的表格存在時間維度的差別。
高維數據：一般由鍵值對將數據組織表示出來。
{
“姓名”:“lol”,
“年齡”:“18”,
“學習經歷”:{
“小學”:“xx小學”,
“中學”:“xx中學”,
“大學”:“xx大學”
},
}
python中數據的表示形式：
一維：列表 [有序] 和集合 {無序} 類型。
二維、多維數據多用列表[ ]類型表示。
[ [0, 1, 2],
[3, 4, 5]
]
#二維數據，形狀（2,3）
三維數據,數據形狀（2,3,4）
[ [ [ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11] ],
[ [12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23] ]
]
高維數據：字典 { } 或其他數據表示格式（json，xml等）。
1 numpy數據類型ndarray介紹
開源python科學計算基礎庫，可以進行快速的數組運算。降低傳統數組運算時循環需要的時間，節省運算和存儲空間。
數組類型爲ndarray 對象。
使用前先安裝：
pip install numpy
一般引用方法：
import numpy as np
np是別名可以自己設置，爲了節省代碼量增加可讀性一般最好和大家統一
1.1array數組介紹及基本屬性
ndarray數據類型不僅包含實際的數據，還有描述數據的一些詳細信息，如數據類型，維度，結構等等。
ndarray(shape, dtype=float, buffer=None, offset=0,strides=None, order=None)
shape:tuple of ints,Shape of created array.爲元組型數值，表示創建的array形狀。
dtype=float：data-type, optional，創建的numpy數組的數據類型，可選參數。
buffer：object exposing buffer interface, optional，數據接口，可以在創建array時填充數據
offset：Offset of array data in buffer.填充數據的偏移。
strides：Strides of data in memory.
order：數據排布格式，行形式或者列形式， {‘C’, ‘F’}, optional
在numpy程序中ndarray就是array。
array數組的軸（axis）：數據的維度
秩（rank）：表示數據維度的數量。
array對象的常用屬性：
| 屬性 | 說明 |
|---|---|
| .T | Transpose of the array.數組的轉置 |
| .ndim | 秩，多維數組維度的值 |
| .shape | 對象的度量尺度，如（m，n）表示矩陣m行n列 |
| .size | array對象中元素的個數相當於shape中的乘積 |
| .dtype | array對象的元素類型，可設置 |
| .itemsize | 數組對象中每個元素的大小，以字節爲單位，如dtype=int32型表示4字節 |
示例：
import numpy as np
a = ([2,5,3,8],[1,4,7,6])
b = np.arange(24).reshape((2,3,4))
print(a) #此處a是tuple（）類型
([2, 5, 3, 8], [1, 4, 7, 6])
a = np.array(a)
print(a) #這裏a纔是numpy的array類型
[[2 5 3 8]
[1 4 7 6]]
print(b) #b是三維的數據
[ [[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]] ]
常用屬性：
a = np.array([[1,2,4],[2,3,6]])
a
Out[3]:
array([[1, 2, 4],
[2, 3, 6]])
a.T #轉置
Out[4]:
array([[1, 2],
[2, 3],
[4, 6]])
a.ndim #維度
Out[5]: 2
a.shape #形狀，返回元組
Out[6]: (2, 3)
a.size #數據量
Out[7]: 6
a.dtype #數據類型
Out[8]: dtype('int32')
a.itemsize #單個數據佔用大小
Out[9]: 4
你可以在IPython編輯區內對變量或者函數輸入 函數/變量？ 查看其詳細屬性。np.ndarray？ 可以查看ndarray數組的詳細屬性。a？查看變量的屬性。
a?
Type: ndarray
String form:
[[2 5 3 8]
[1 4 7 6]]
Length: 2
File: d:\pyrelated\anaconda\lib\site-packages\numpy_init_.py
… … … .
使用array創建的數組元素默認是float型，可以進行更改。
1.2 array數組中的數據類型
array數組在創建時有個參數dtype是可以設置的，默認的是float，可能會根據數據量自動調整具體類型，numpy裏面的數據類型非常的詳細，是爲了合理使用存儲空間空間、評估程序規模提高程序運行速度等。
數據類型有：
bool, intc, intp, int8, int16, int32, int64, uint8, uint16, uint32, uint64,float16, float32, float64, complex64, complex128 複數 img + real
1.3 創建array數組
（1）利用python中的列表[]和元組()創建ndarray數組。x = np.array(lis/tuple)
a = [[1,2],[3,4]] #列表
b = ([5,6],[7,8]) #元組
type(a)
Out[19]: list
type(b)
Out[20]: tuple
c = np.array(a) #轉化爲array數組
d = np.array(b)
c
Out[23]:
array([[1, 2],
[3, 4]])
d
Out[24]:
array([[5, 6],
[7, 8]])
創建時數據類型還可以指定，之前介紹過array（）的一些參數。不指定類型的時候可以根據數據情況自動關聯一個dtype類型。
e = np.array(a,dtype=np.int64) #自定義數據類型
d.dtype
Out[27]: dtype('int32')
e.dtype
Out[28]: dtype('int64')
（2）使用numpy中的函數創建ndarray數組。
| 函數 | 說明 |
|---|---|
| arange(n) | 生成0-n-1數值的ndarray |
| ones(shape) | 生成一個全是1的形狀爲shape的數組 |
| zeros(shape) | 生成全是0的，shape是表示大小的元組（） |
| full(shape,val) | 生成一個大小是shape，值是val的數組 |
| eye(n) | 生成正方形n的單位矩陣 |
| ones_like(a) | 根據數組a的形狀生成全是1的 |
| zeros_like(a) | 根據a生成全是0的 |
| full_like(a,val) | 根據a的聲稱全是值val的數組 |
示例：
a = np.arange(4) #一維數組
b = np.ones((2,2)) #全1數組
c= np.zeros((2,3)) #全0數組
d = np.full((3,3),6) #使用定值生成數組
e = np.eye(4) #單位矩陣
a
Out[39]: array([0, 1, 2, 3])
b
Out[40]:
array([[ 1., 1.],
[ 1., 1.]])
c
Out[41]:
array([[ 0., 0., 0.],
[ 0., 0., 0.]])
d
Out[42]:
array([[6, 6, 6],
[6, 6, 6],
[6, 6, 6]])
e
Out[43]:
array([[ 1., 0., 0., 0.],
[ 0., 1., 0., 0.],
[ 0., 0., 1., 0.],
[ 0., 0., 0., 1.]])
f = np.ones_like(d) #以數組d的格式作爲參考，生成新的值是1的數組
g = np.zeros_like(d)
h = np.full_like(d,8)
f
Out[51]:
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
g
Out[52]:
array([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
h
Out[53]:
array([[8, 8, 8],
[8, 8, 8],
[8, 8, 8]])
（3）其他函數創建。
np.linspace(A,B,C) 在AB間均勻取C個數據，其他參數np.linspace？查看
np.linspace(2.0, 3.0,5) #生成線性值
Out[55]: array([ 2. , 2.25, 2.5 , 2.75, 3. ])
np
np.concatenate(a，b) 合併多個數組
a = np.linspace(2.0, 3.0,5)
b = np.arange(4)
c = np.concatenate((a,b)) #合併數組，其他參數help查看文檔
c
Out[78]: array([ 2. , 2.25, 2.5 , 2.75, 3. , 0. , 1. , 2. , 3. ])
2 array 數組的變換
生成的array數組可以進行維度和元素類型的變換。
2.1 維度變換
| 常用方法 | 說明 |
|---|---|
| .reshape(shape) | 不修改元素，新生成shape形狀數組，原數組也不改變 |
| .resize(shape) | 在原數組基礎上直接修改shape形狀 |
| .flatten() | 降維處理，整理新生成一維數組 |
a = np.arange(24).reshape((2,3,4))
Out[127]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
a.reshape((2,4,3)) #使用reshape時原來的數組a不會變化，會新生成一個
Out[128]:
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]],
[[12, 13, 14],
[15, 16, 17],
[18, 19, 20],
[21, 22, 23]]])
a.resize((4,3,2)) #使用resize就會改變原來a的形狀
print(a)
[[[ 0 1]
[ 2 3]
[ 4 5]]
[[ 6 7]
[ 8 9]
[10 11]]
[[12 13]
[14 15]
[16 17]]
[[18 19]
[20 21]
[22 23]]]
print(a.flatten()) #降維，平整爲一維數據
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23]
2.2 array數組類型的變換
（1）array 的數據類型變化。
設a爲一個array數組。
b = a.astype（newtype）
使用a.astype（）的時候相當於新複製了一個數組，然後進行改變。
a = np.arange(5)
a.dtype
Out[134]: dtype('int32')
a.astype(np.float)
Out[135]: array([ 0., 1., 2., 3., 4.])
（2）array 數組轉爲列表
轉化爲列表會比numpy數組慢很多，除非有特殊要求，不建議使用。
a
array([[0, 1, 2],
[3, 4, 5]])
a.tolist()
Out[138]: [[0, 1, 2], [3, 4, 5]]
3 numpy數組的索引和切片
索引：獲取指定位置的數據元素
切片：獲取數據元素子集
3.1 一維索引切片：
直接通過 a[x]，a[A:B:C] 獲取
array([0, 1, 2, 3])
a[1]
Out[141]: 1
a[0:2:1]
Out[142]: array([0, 1])
3.2 多維索引切片
可以將多維數據的每一個維度按一維形式切片索引即可
array([[[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8]],
[[ 9, 10, 11],
[12, 13, 14],
[15, 16, 17]]])
a[:,1,2] #第一個維度取全部，第二個維度取第2個位置，第三個維度取第3個位置
Out[4]: array([ 5, 14])
array([[ 0, 1, 2],
[ 3, 4, 5],
[ 6, 7, 8],
[ 9, 10, 11]])
a[[1,2],[0,1]] #先在第一個維度取2,3行，第二個維度取1,2列
Out[7]: array([3, 7])
4 np.random 隨機數生成函數
np.random.rand（）和np.random.randn（）使用類似，生成正態分佈隨機樣本數組。
（）裏面沒有參數時返回一個浮點數
（X）有一個參數時，返回秩是1，長度是X的數組
（2,3）兩個參數時，表示對應形狀的隨機數組，和np.random.standard_normal()功能一樣，只不過它需要輸入元組（（2,3））
rand（）生成的在0-1之間，randn（）沒有限制數據樣本區間。
np.random.randint（）生成隨機整數。
randint(low, high=None, size=None, dtype=‘l’)
指定區間、數量、類型
np.random.random(size)只能生成隨機數。
size表示個數。