| 维度 | 一组数据的组织形式 |
| 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 举例：列表、数组和集合 python表示：列表、集合 |
| 列表与数组区别 | 列表：数据类型可以不同 数组：数据类型相同 |
| 二维数据 | 多个—维数据构成，是一维数据的组合形式 举例：表格（表头是二维数据的一部分） python表示：列表 |
| 多维数据 | 由一维或二维数据在新维度上扩展形成 举例：时间维度 python表示：列表 |
| 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 python表示：字典类型或数据表示格式， JSON、XML和YAML格式 |
1. NumPy的引用
import numpy as np
2. N维数组对象：ndarray
2.1 举例：计算A²+B²，其中，A和B是一堆数组
import numpy as np
def np_sum():
a = np.array([0,1,2,3,4])
b = np.array([9,8,7,6,5])
c = a**2 + b**2
return c
print(np_sum())
2.2 数组对象（类型）的优势：
2.2.1 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
2.2.2 设置专门的数组对象，可以提升这类应用的运算速度
2.2.3 数组对象采用相同的数据类型，有助于节省运算和存储空间
2.3 ndarray两部分构成——多维数组对象：
2.3.1 实际的数据
2.3.2 描述这些数据的元数据（数据维度、数据类型等）
2.4 ndarray实例
2.5 ndarray对象的属性
举例：
import numpy as np a = np.array([[0, 1, 2, 3, 4], [9, 8, 7, 6, 5]]) print(a.ndim) # 2 print(a.shape) # (2, 5) print(a.size) # 10 print(a.dtype) # int32 print(a.itemsize) # 4
2.6 ndarray的元素类型
2.6.1 整数
2.6.2 浮点
2.6.3 复数
