pythonarraynumpy

『壹』 series與numpy中的一維數組array類似,兩者與python基本的數據結構list的區別

首先，`series`和`numpy`中的一維數組`array`確實與`Python`基本的數據結構`list`有相似之處，但它們之間也存在顯著的區別。這些區別主要體現在數據結構優化、性能、功能以及數據操作的便捷性上。

`series`是`pandas`庫中的一個核心數據結構，它一維標簽化數組，能夠容納任何數據類型（整數、字元串、浮點數、Python對象等）。與`Python`的`list`相比，`series`的一個重要特點是其帶有軸標簽（即索引），這使得數據檢索和操作更為直觀和高效。此外，`series`還提供了豐富的數據分析功能，如缺失值處理、數據篩選和統計等，這些在原生`list`中並不直接支持。

舉個例子，我們可以輕松地使用`series`的索引來訪問或修改特定位置的數據，而無需像`list`那樣通過索引位置來實現。同時，`series`在執行元素級操作時會自動對齊不同`series`之間的索引，這大大簡化了數據分析過程中的某些常見任務。

`numpy`的一維數組`array`則與`Python`的`list`在性能上有著顯著的區別。`numpy`數組是存儲在連續內存塊中的，這意味著它們在處理大量數據時具有更高的內存效率和更快的處理速度。相比之下，`list`的元素在內存中是分散存儲的，這導致在處理大量數據時性能下降。

功能上，`numpy`數組提供了豐富的數學函數庫來支持復雜的數值計算，如線性代數運算、傅里葉變換等。這些功能在`Python`的`list`中並不直接可用，需要額外的編程工作才能實現。此外，`numpy`數組還支持廣播機制，能夠輕松地對不同形狀的數組執行元素級操作。

總的來說，盡管`series`、`numpy`一維數組和`Python`的`list`在表面上看起來都是一維的數據結構，但它們在性能、功能以及數據操作的便捷性方面存在顯著的差異。這些差異使得`series`和`numpy`數組在數據處理和分析領域具有獨特的優勢，而`list`則因其靈活性和易用性在通用編程任務中佔有一席之地。

在實際應用中，我們可以根據具體需求選擇合適的數據結構。例如，在進行復雜的數據分析時，可能會優先考慮使用`pandas`的`series`或`numpy`的數組；而在處理簡單的列表數據時，`Python`的`list`則是一個更為直接和便捷的選擇。通過充分理解和利用這些數據結構的特點，我們可以更加高效地進行編程和數據處理工作。

『貳』 python的numpy中合並array

直接用實例說明：
In [1]: import numpy
In [2]: a = array([[1,2,3],[4,5,6]])
In [3]: b = array([[9,8,7],[6,5,4]])
In [4]: numpy.concatenate((a,b))
Out[4]:
array([[1, 2, 3],
[4, 5, 6],
[9, 8, 7],
[6, 5, 4]])

或者這么寫
In [1]: a = array([1,2,3])
In [2]: b = array([4,5,6])
In [3]: numpy.vstack((a,b))
Out[3]:
array([[1, 2, 3],
[4, 5, 6]])

『叄』 Python：numpy.array()創建三維以上數組

需求：根據已有的多個列表，利用numpy.array()函數創建三維以上數組

格式概述： 每一維用一個 [] 括起，不同維之間用 , 逗號間隔，最後總體再用 [] 括起！！！

說明 ：列表肯定是一維的，多個列表一行一行堆疊形成二維，多個這樣的二維構成三維，以此類推可得更高維矩陣（一般3維以上就不用numpy.array()這種方法創建了）。

注意 ：高維數組，以三維（5,2,3）為例：前面的5代表頁數，即表示（2,3）這樣的二維矩陣有5個。即： 前面的數，永遠代表比它"低一維"的數組有多少個 ！

（1）創建二維數組的例子：

（2）創建三維數組的例子1：（2,3,3）

（3）創建三維數組的例子2：（4,2,3）

補充：最快驗證自己創建的數組是否滿足自己的維度需求的方式，就是看列印的結果中， 最外面有幾個 ] 中括弧，有幾個 ] 就是幾維數組 ！如本文中第3個例子，列印結果最外層有3個 ]，說明滿足3維的要求。