维度
维度有一维，二维直到多维，人类能够触及到的最大维度只有三维。不同情形下，维度代表的意义也不相同。
类型 | 含义 |
数组（Series） | 维度就是功能shape返回的结果，shape中返回了几个数字就是几维 |
图形（graphic） | 维度是图像中特征向量的数量 |
1.数组中的维数
对于数组来说，维度就是功能shape返回的结果，shape中返回了几个数字，就是几维。
除了索引以外的数据，维数分为：
维数 | 说明 |
一维 | 无行列之分的叫一维（此时shape返回唯一的维度上的数据个数） |
二维（表） | 有行列之分叫二维（shape返回的是 行x列） |
三维 | 当一个数组中存在2张3行4列的表时，shape返回的是(更高维，行，列) |
四维 | 当数组中存在2组2张3行4列的表时，数据就是4维，shape返回(2,2,3,4） |
…直到多维… | |
数组中的每一张表，都可以是一个特征矩阵或一个DataFrame，这些结构永远只有一张表，所以一定有行列，行是样本，列是特征。针对每一张表，维度指的是样本的数量或特征的数量，一般无特别说明，指的都是特征的数量。除了索引之外，一个特征是一维，N个特征是N维。当有三个特征时（三维）表格样式如下：（二维则增加特征2以此类推） | |
|
2.图像中的维数
可以理解为是坐标轴，一个特征向量定义一条直线，是一维，两个相互垂直的特征向量定义一个平面，即一个直角坐标系，就是二维，三个相互垂直的特征向量定义一个空间，即一个立体直角坐标系，就是三维。
在降维算法中的”降维“，指的是降低特征矩阵中特征的数量。而降维的目的是：
1.为了让算法运算更快，效果更好；
2.数据可视化；
从上面的图我们其实可以看得出，图像和特征矩阵的维度是可以相互对应的，即一个特征对应一个特征向量，对应一条坐标轴。所以，三维及以下的特征矩阵，是可视化的，这可以帮助我们很快地理解数据的分布，而三维以上特征矩阵的则不能被可视化，数据的性质也就比较难理解，这就需要我们通过降维使数据可视化。
END
