目录
第一章：展示数据的基本方法
掌握表示、清晰、统计和展示数据的能力（本文仅仅提供基础知识的学习和理解）
一、数据的维度
1、维度的定义和理解
（1）定义：维度是一组数据的组织形式。
（2）理解：多维度展开数据，表达不同的含义，如下
2、一维数据
（1）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。
（2）列表和数组的比较：
列表：数据类型可以不同，比如3.1413,'pi',3.1404,[3.1401,3.1349],'3.1376'
数组：数据类型相同，比如3.1413,3.1398,3.1404,3.1401,3.1349,3.1376
3、二维数据
（1）定义：二维数据由多个一维数据构成，是一维数据的组合形式。
（2）理解：在维度上展示了对应关系。
4、多维数据
（1）定义：多维数据由一维或二维数据在新维度上扩展形成。
（2）理解：
?5、高维数据
（1）定义：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）理解:高维数据也就是由键值对组成的结构关系，明显由下图可见数据之间的包含关系、属性关系等。
?6、数据维度的Python表示
（1）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
（2）高维数据:字典类型或数据表示格式。dict = {efirstName" :“Tian”,"lastName” : “Song”,}
二、NumPy的数组对象ndarrary
1、NumPy库
NumPy是一个开源的Python科学计算基础库。
?☆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、numpy引用语法
numpy的底层是C语言
import numpy as np 或者 import numpy
?3、adarrary:N维数组对象
（1）定义和构成：ndarray是一个多维数组对象,由两部分构成:实际的数据和描迹这些数据的元数据（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）理解：
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。
2、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。
?（3）ndarrary对象的属性
?（4）ndarrary的元素类型
整数类型：
浮点数类型：
?
复数类型：
?
三、ndarrary数组的创建和变换
1、创建方法
（1）从Python中的列表、元组等类型创建ndarray数组。
（2）使用NumPy中函数创建ndarray数组，如:arange,ones, zeros等。
（3）从字节流(raw bytes)中创建ndarray数组。
（4）从文件中读取特定格式,创建ndarray数组。
2、实例
（1）
（2）
?
?
?（3）
?
3、nadarray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。
a=np.ones((2,3,4), dtype=np.int32)
四、ndarrary数组的操作
1、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
2、实例展示
五、ndarrary数组的运算
（1）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
?（2）NumPy—元函数
对ndarray中的数据执行元素级运算的函数
?（3）NumPy—元函数
?总结
1、NumPy库入门
数据的维度:一维、二维、多维、高维
2、ndarray类型属性、创建和变换
.ndim? .shape? .size? .dtype? .itemsize
np.arange(n)? np.ones(shape)? np.zeros(shape)? np.full(shape,val)? np.eye(n)? np.ones_like(a)? np.zeros_like(a)? np.full _like(a, val)?
?.reshape(shape)? .resize(shape)? .swapaxes(ax1,ax2)? ?.flatten(）
3、数组的索引和切片
4、数组的运算:一元函数、二元函数
?