标签：用户 工具 3.1 开源 时间 交互 关注 python sha
在python的基础语言部分，我们并没有介绍数组类型，但是像C、Java等语言都是有数组类型的，那python中的列表和数组有何区别呢？
一维数据：都表示一组数据的有序结构
区别：
列表：数据类型可以不同，如：【3.1413,‘pi‘,3.1404,[3.1402,2.34],‘3.2376‘】
数组：数据类型相同 。如【3.14,34.34,3433.3,343.23】
二维数据：二维数据由多个一维数据构成，是一维数据的集合形式！表格是典型的二维数据！
注意：表格的表头，可以是二维数据的一部分，也可以作为二维数据以外的一部分，这取决于用户对于二维数据的定义和使用！
多维数据：多维数据是在一维数据或者二维数据的基础上拓展形成的！
注意:上面一个是2016年的排名表格，还有一个是2017年的一个排名表格，从这两个表格的跨度来看，这里增加了一个时间维度，从而构成一个多维数据！如果随着时间的发展，那么在时间维度上，数据就会继续累积下去！
除了一维、二维、多维数据之外，还有一种多维数据！高维数据与一维、二维、多维数据不同，高维数据仅使用最基本的二元关系展示数据间的复杂结构。
如下所示：这就是一个高纬数据，这里面没有数据的规整的组织方式，但是却有数据之间的包含关系、数据之间的并列关系，以及数据之间的属性关系等形成的一个数据的组织方式，这里面都是键值对的单元，高维数据就是有键值对将数据组织起来。
注意：对于一维数据我们用列表和集合表示，列表是有序的，而集合是无序的。对于python中的二维或者多维数据，我们用列表表示，而列表的元素还可以是列表，这就是一种多维列表，用多维列表来对应多维元素！
对于高维数据，我们使用字典或者数据表示的格式来表示；字典类型也是由键值对构成的一个数据类型，它与高维数据的表达方式基本上是一致的！
我们知道现在公认的数据表达格式主要有3种: JSON,XML,YAML格式，这样的格式可以用来组织数据，是他们之间形成数据的维度和关系。
下面我们介绍一个numpy库以及numpy中的ndarray数组类型！
NumPy是一个开源的Python科学计算基础库。它也是整个python目前科学计算和数据分析的最基础的第三方库！NumPy提供了很多功能，主要包含以下一些方面：
1.一个强大的N维数组对象ndarray
2.一组广播功能函数，用来在数组之间进行计算
3.整合C/C++/Fortran等代码的工具
4.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。
为了更好的进行科学计算，我们首先要理解NumPy的构成原理，以及其中最关键的数据对象ndarray!
1.NumPy的引用：import numpy as np #注意:这里的np是引入模块numpy的别名，尽管别名可以省略或更改，建议使用上述约定的别名。【如果我们不使用别名，而是直接使用numpy，这样每次调用函数的时候都得是numpy.的方式，代码较长，如果我们使用的是其它别名，那么其它程序员未必熟悉，所以这里我们建议使用的别名为np】
2.python中的数据对象ndarray![有些学员可能会有疑问，在python中我们已经有了列表类型，而列表类型可以表示一维数据、二维数据、多维数据，那么我们为什么需要一个额外的数组类型呢？这里我们给大家举个例子，如下所示：]
如果用传统的python语法，我们来定义：
在上述的运算方式中，我们还是将我们的关注点放在一个一个元素之间的运算上，这并不是一种科学计算的思想方式！，而NumPy使用了另外一种思路，如下所示：
这时在NumPy进行运算的时候没有使用循环！我们的基本思想是将一维数组A和一维数组B当做两个数据，这两个数据在他们维度相同的时候，他们可以直接进行运算！程序帮我们把这两个数据中的每一个元素进行了运算，而编程的程序员只需要考虑A和B只是一个数据就可以啦！这是NumPy中N维数组对象所使用的一个基本原理！
所以对N维数组对象ndarray的一些说明如下：
1.数组对象可以去掉元素间运算所需要的循环，使一维数据更向单个数据，也使得我们程序员编写代码处理数据的程序变得十分简单！
2.通过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，这里同学们可能还不知道，NumPy的底层实现是用C来完成的，也就是说在进行数组运算的时候，底层的C语言会提供非常高效和快速的运算，这样会使得在进行大规模运算的时候，运算时间会比较少！
例如：观测一个现象，每一次它的值都可能是一个整数或者浮点数，他们都是统一的！因此，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，因为对程序来讲，当它的类型是确定的，那我可能就知道它使用的内存空间是多少，这样在内存分配和存储空间的使用上，就可以做预判，使得空间的使用很有效，所以呢，一方面是在编程上，NumPy使得程序员可以在批量数据处理时得到了简化，一方面在运算性能上，NumPy可以由底层的C语言甚至更底层的运算方法来提高他的运算速度。因此Numpy成为了Python中支持科学计算和数据处理的最基础的库。
我们来进一步介绍ndarray这个数据类型！
数组的下标是从0开始，这点是和列表一致的！我们来看一下ndarray实例，如下所示:(这里需要注意的是，在数据处理这里，我们使用的解释器是IPython,因此我么要熟悉IPython的交互时提示符，如由in、out、[]等组成，如下所示：
这里面展示了用户输入的和程序输出的结果！对于ndarray这里有两个基本的概念：
在轴上每个维度的数据存储在其中，秩表示轴的数量，也就是这个数组类型有多少个维度!这两个基本概念是描述ndarray类型的基本向量和方式！ndarray对象一共有5个基本的运算属性：
如下为ndarray实例：
注意：上面的返回值dtype(‘int32‘),其中的int32在基本的python数据类型中是不存在的，在ndarray中还有很多这样的类型，如下所示:
以上整数类型是有正负之分的，还有一部分整数是没有正负之分的，我们称之为无符号整数，如下所示：
ndarray还支持复数类型，如下所示:
我们知道在python基础数据类型部分，python只支持一种整形，一种浮点型，和一种复数类型，那为什么这里的ndarray支持这么多的类型呢？
我们说ndarray对象都是相同的，也就是一种同质的数组类型，事实上ndarray也可以包含非同质的元素。比如我们生成一个数组，如下所示:
注意：上面的x.shape只返回了行数，并没有返回列数，因为是非同质的，所以列数不固定了，而且x.dtype返回的是o,也就是说是对象类型。
标签：用户 工具 3.1 开源 时间 交互 关注 python sha
原文地址：http://www.cnblogs.com/python-machine/p/7056868.html
