第一周——数据分析之表示 —

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：表达一个或者多个含义

维度：一组数据的组织形式

一维数据

由对等关系的有序或者无序数据构成，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。

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

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

数据维度的Python表示：数据维度是数据的组织形式

一维数据：列表和集合类型
[3.1398, 3.1349, 3.1376] 有序
{3.1398, 3.1349, 3.1376} 无序
二维数据：列表类型

多维数据：列表类型

[ [3.1398, 3.1349, 3.1376],

[3.1413, 3.1404, 3.1401] ]

高维数据：字典类型或数据表示格式 JSON、XML和YAML格式

dict = {
“firstName” : “Tian”,
“lastName” : “Song” ,
}

NumPy的数组对象：ndarray，NumPy是SciPy、Pandas等数据处理或科学计算库的基础

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的引用

import numpy as np
尽管别名可以省略或更改，建议使用上述约定的别

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数组一般要求所有元素类型相同（同质），数组下标从0开始

ndarray数组的元素类型

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

ndarray数组的类型变换

ndarray数组向列表的转换

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：

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

NumPy一元函数实例

NumPy二元函数

NumPy二元函数实例