Python——NumPy库入门

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