python列表某个维度大小 python列表维度判断

Numpy

1.1 数据的维度

1.1.1 列表与数组

相同：都表示一组数据的有序结构

相异：列表的数据类型可以不同，数组的数据类型相同

1.1.2 多维数据与高维数据

• 多维数据由一维或二维数据在新维度上扩展形成
• 高维数据仅使用最基本的二元关系（如键值对）展示数据间的复杂结构，如：

1.1.3 数据维度的python表示

• 一维数据：列表和集合
• 二维数据：列表
• 多维数据：列表
• 高维数据：字典或数据表示格式

1.2 Numpy的数组对象ndarray

1.2.1 ndarray基本语法

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

• **np.array()**：生成一个ndarray数组

• .ndim
• .shape
• .size
• .dtype
• .itemsize

1.2.2 ndarray的创建和变换

1.2.2.1 ndarray的创建

• x=np.array(list/tuple)
• dtype 参数可以在创建时传入想指定的数据类型
• 利用函数创建ndarray数组

使用其他函数创建ndarray数组，如：

• np.linspace(起始元素，终止元素，元素个数)
• endpoint参数 默认为True，当传入False时，不将终止元素算入元素个数
• np.concatnate((a,b))

1.2.2.2 ndarray的维度变换

• .reshape(shape)
• .resize
• .swapaxes(ax1,ax2)
• .flatten()

1.2.2.3 ndarray的类型变换

• new_a=a.astype(new_type)

1.2.2.4 ndarray转换为列表

• .tolist()

1.2.3 ndarray的索引和切片

数组的索引和切片

一维数组的索引和切片：与python的列表类似

多维数组的索引

• a[x,y,z]

多维数组的切片

• a[: ,: ,: ]

1.2.4 ndarray的运算

1.2.4.1数组与标量的运算

数组与标量的加减乘除作用于数组的每一个元素

1.2.4.2 元素级运算的函数

• np.abs(x)/np.fabs(x)
• np.sqrt(x)
• **np.aqare(x) ** 计算各元素的平方
• np.log(x)/np.log10(x)/np.log2(x)
• **np.ceil(x)/np.floor(x)** 计算各元素的ceiling值或floor值

几乎numpy的一元函数作用后都是生成了新数组 而没有改变原来的数组

1.2.4.3 二元函数

1.3 文件的存取

1.3.1 CSV文件存取

• %d表示以整数形式写入文件中
• %.2f表示以两位小数形式写入文件，%.1f表示以一位小数形式写入文件

csv文件的局限性：只能存储一维和二维数组

1.3.2 多维数据的存取

1.3.3 numpy的便捷文件存取

1.4 numpy的随机数函数

numpy的random子库

• np.random.*
• np.random.rand()
• np.random.randn()
• np.random.randint()

1.4.1 随机函数(1)

实例化

• 重复使用同样的随机数种子可以在测试的时候得到相同的随机数组

1.4.2 随机函数(2)

实例化

1.4.3 随机函数(3)

实例化

1.5 numpy的统计函数

• np.*
• np.std()
• np.var()
• np.average()

1.5.1 统计函数(1)

实例化

默认情况下 axis=None 表示对所有元素进行累加计算

• axis=0 列数不变，对每一列进行计算得一个新值
• axis=1 行数不变，对每一行进行计算得一个新值

1.5.2 统计函数(2)

实例化

1.6 numpy的梯度函数

• np.gradient(f)
• 计算数组f中元素的梯度，当f为多维时，返回每个维度梯度

实例化