pythonarraynumpy

‘壹’ series与numpy中的一维数组array类似,两者与python基本的数据结构list的区别

首先，`series`和`numpy`中的一维数组`array`确实与`Python`基本的数据结构`list`有相似之处，但它们之间也存在显着的区别。这些区别主要体现在数据结构优化、性能、功能以及数据操作的便捷性上。

`series`是`pandas`库中的一个核心数据结构，它一维标签化数组，能够容纳任何数据类型（整数、字符串、浮点数、Python对象等）。与`Python`的`list`相比，`series`的一个重要特点是其带有轴标签（即索引），这使得数据检索和操作更为直观和高效。此外，`series`还提供了丰富的数据分析功能，如缺失值处理、数据筛选和统计等，这些在原生`list`中并不直接支持。

举个例子，我们可以轻松地使用`series`的索引来访问或修改特定位置的数据，而无需像`list`那样通过索引位置来实现。同时，`series`在执行元素级操作时会自动对齐不同`series`之间的索引，这大大简化了数据分析过程中的某些常见任务。

`numpy`的一维数组`array`则与`Python`的`list`在性能上有着显着的区别。`numpy`数组是存储在连续内存块中的，这意味着它们在处理大量数据时具有更高的内存效率和更快的处理速度。相比之下，`list`的元素在内存中是分散存储的，这导致在处理大量数据时性能下降。

功能上，`numpy`数组提供了丰富的数学函数库来支持复杂的数值计算，如线性代数运算、傅里叶变换等。这些功能在`Python`的`list`中并不直接可用，需要额外的编程工作才能实现。此外，`numpy`数组还支持广播机制，能够轻松地对不同形状的数组执行元素级操作。

总的来说，尽管`series`、`numpy`一维数组和`Python`的`list`在表面上看起来都是一维的数据结构，但它们在性能、功能以及数据操作的便捷性方面存在显着的差异。这些差异使得`series`和`numpy`数组在数据处理和分析领域具有独特的优势，而`list`则因其灵活性和易用性在通用编程任务中占有一席之地。

在实际应用中，我们可以根据具体需求选择合适的数据结构。例如，在进行复杂的数据分析时，可能会优先考虑使用`pandas`的`series`或`numpy`的数组；而在处理简单的列表数据时，`Python`的`list`则是一个更为直接和便捷的选择。通过充分理解和利用这些数据结构的特点，我们可以更加高效地进行编程和数据处理工作。

‘贰’ python的numpy中合并array

直接用实例说明：
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]])

或者这么写
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]])

‘叁’ Python：numpy.array()创建三维以上数组

需求：根据已有的多个列表，利用numpy.array()函数创建三维以上数组

格式概述： 每一维用一个 [] 括起，不同维之间用 , 逗号间隔，最后总体再用 [] 括起！！！

说明 ：列表肯定是一维的，多个列表一行一行堆叠形成二维，多个这样的二维构成三维，以此类推可得更高维矩阵（一般3维以上就不用numpy.array()这种方法创建了）。

注意 ：高维数组，以三维（5,2,3）为例：前面的5代表页数，即表示（2,3）这样的二维矩阵有5个。即： 前面的数，永远代表比它"低一维"的数组有多少个 ！

（1）创建二维数组的例子：

（2）创建三维数组的例子1：（2,3,3）

（3）创建三维数组的例子2：（4,2,3）

补充：最快验证自己创建的数组是否满足自己的维度需求的方式，就是看打印的结果中， 最外面有几个 ] 中括号，有几个 ] 就是几维数组 ！如本文中第3个例子，打印结果最外层有3个 ]，说明满足3维的要求。