2.1 Numpy数据的维度

1.维度：一组数据的组织形式
一维数据—列表和集合类型

2.列表与数组
相同点：都是一组数据的有序结构
区别：列表的数据类型可不同；而数组的数据类型相同。

3.二维数据----列表
由多个一维数据构成，是一维数据的组合形式。

4.多维数据----列表
由一维或二维数据在新维度上扩展形成。

5.高维数据（键值对组织起来）—字典或数据表示格式

2.2Numpy的数组对象ndarray

一、Numpy是一个开源的Python科学计算基础库。
1.一个强大的N维数组对象ndarray
2.广播功能函数
3.整合C/C++/Fortran代码的工具
4.线性代数、傅里叶变换、随机生成树等功能

Tip:Numpy是SciPy、Pandas等数据处理或科学计算库的基础

二、Numpy的引用
import numpy as np

三、为什么需要额外的数据类型
eg.计算A²+B³
①用Python写

def pySum():
    a=[0,1,2,3,4]
    b=[9,8,7,6,5]
    c=[]
    
    //注意此处
    for i in range(len(a)):
        c.append(a[i]**2+b[i]**3)
    print(c)
    return c


sum=pySum()
print(sum)

②引用Numpy后

import numpy as np

def npSum():
    a=np.array([0,1,2,3,4])
    b=np.array([9,8,7,6,5])
//注意对比
    c=a**2+b**3
    return c

print(npSum())

运行结果的对比：

后者，也就是引用np.array()的代码结果 ，没有逗号。

①数组对象可以去掉元素间运算所需的循环，使一维象类更像单个数据
②设置专门的数组对象，经优化后，可以提升这类应用的运算速度。

Tip:其实Numpy的底层是由C语言实现的

四、N维数组对象：ndarray

ndarray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）

ndarray数组要求：
①所有元素类型相同
②数组下边从0开始

五、实例

import numpy as np

a=np.array([[0,1,2,3,4],[9,8,7,6,5]])

print(a)

1.ndarray在程序中的别名是array
2.np.array()输出成[…]形式，元素由空格分隔
轴(axis): 保存数据的维度 秩（rank）:轴的数量
可参考：https://blog.csdn.net/weixin_40974922/article/details/93496508

六、ndarray对象的属性

属性	说明
.ndim	秩，即轴的数量或维度的数量
.shape	ndarray对象的尺度，对于矩阵，n行m列
.size	ndarray对象元素的个数,相当于.shape中n*m的值
.dtype	ndarray对象的元素类型
.itemsize	ndarray对象中每个元素的大小，以字节为单位

例子：

import numpy as np
a=np.array([[0,1,2,3,4],[9,8,7,6,5]])

print(a.ndim)
print(a.shape)
print(a.size)
print(a.dtype)
print(a.itemsize)

七、ndarray的元素类型

数据类型	说明
bool	布尔类型，True or False
intc	与C语言的int类型一致，一般是int32或int64
intp	用于索引的整数，与C语言中ssize_t一致，int32或int64,具体与计算机有关
int8	字节长度的整数，取值：[-128,127]
int16	16位长度的整数，取值：[-32768,32767]
int32	32位长度的整数，取值：[-231,231-1]
int64	64位长度的整数，取值：[-263,263-1]
uint8	8位无符号的整数，取值:[0,255]
uint16	16位无符号的整数，取值[0,65535]
uint32	32位无符号的整数，取值[0,232-1]
uint64	64位无符号的整数，取值[0,264-1]
float16	16位精度浮点数:1位符号位，5位指数，10位尾数
float32	32位精度浮点数:1位符号位，8位指数，23位尾数
float64	64位精度浮点数:1位符号位，11位指数，52位尾数
complex64	复数类型，实部与虚部都是32位浮点数
complex128	复数类型，实部与虚部都是64位浮点数

八、为何有这么多数据类型？

对比：Python语法支持整数、浮点数和复数三种类型
1.科学计算涉及数据较多，对存储和性能都有较高要求
2.数据类型的精准定义，有助于Numpy合理使用存储空间并优化性能
3.对元素类型的精准定义，有助于程序员对程序规模的合理评估

实例

1.ndarray可以由非同质对象组成
2.非同质ndarray元素为对象类型（object）
3.非同质ndarray对象无法有效发挥，尽量避免使用