自己创建一个网站需要多少钱石家庄公司的网站设计

自己创建一个网站需要多少钱,石家庄公司的网站设计,宁波易通宁波网站建设,wordpress 黑镜主题你想理解 Python 中一维、二维、三维数组的核心概念、结构差异和实际使用方式#xff0c;我会用生活化的比喻 代码示例#xff08;兼顾 Python 原生列表和数据分析常用的 NumPy 数组#xff09;#xff0c;帮你从直观认知到实际操作#xff0c;彻底理清这三种数组的区别。…你想理解 Python 中一维、二维、三维数组的核心概念、结构差异和实际使用方式我会用生活化的比喻 代码示例兼顾 Python 原生列表和数据分析常用的 NumPy 数组帮你从直观认知到实际操作彻底理清这三种数组的区别。首先要明确Python 原生没有 “数组array” 的专属类型日常说的 “数组” 要么是嵌套列表纯 Python要么是 NumPy 库的ndarray数据分析 / 科学计算主流—— 后者是真正意义上的 “数组”支持维度操作以下会重点讲解。核心逻辑维度 嵌套层数数组的维度本质就是 “数据的嵌套层数”一维无嵌套单层线性结构二维1 层嵌套一维数组的集合三维2 层嵌套二维数组的集合一、一维数组线性结构单行队列1. 直观比喻像超市收银台的单行排队人群只有 “前后” 一个维度每个位置只有 1 个元素。2. 代码示例python# 1. Python原生列表模拟一维数组 one_d_list [10, 20, 30, 40, 50] print(一维列表, one_d_list) print(访问第2个元素索引从0开始, one_d_list[1]) # 输出20 # 2. NumPy一维数组推荐支持数值计算 import numpy as np one_d_np np.array([10, 20, 30, 40, 50]) print(\nNumPy一维数组, one_d_np) print(数组维度, one_d_np.ndim) # 输出1ndim查看维度 print(数组形状, one_d_np.shape) # 输出(5,)5个元素1个维度 print(访问第2个元素, one_d_np[1]) # 输出203. 适用场景存储单列数据如学生成绩、温度值、时间序列。二、二维数组表格结构行 列1. 直观比喻像 Excel 表格 / 教室座位表有行和列两个维度每个位置需要 “行号 列号” 才能定位。2. 代码示例python# 1. Python原生嵌套列表模拟二维数组 two_d_list [ [1, 2, 3], # 第0行 [4, 5, 6], # 第1行 [7, 8, 9] # 第2行 ] print(二维列表, two_d_list) print(访问第1行第2列元素, two_d_list[1][2]) # 输出6 # 2. NumPy二维数组 two_d_np np.array([[1,2,3], [4,5,6], [7,8,9]]) print(\nNumPy二维数组) print(two_d_np) print(数组维度, two_d_np.ndim) # 输出2 print(数组形状, two_d_np.shape) # 输出(3,3)3行3列 print(访问第1行第2列元素, two_d_np[1, 2]) # NumPy支持逗号分隔索引更直观3. 适用场景存储结构化表格数据如学生姓名 成绩 年龄、图片的灰度像素值。三、三维数组立体结构层 行 列1. 直观比喻像魔方 / 多层 Excel 表格有层、行、列三个维度每个位置需要 “层号 行号 列号” 才能定位。2. 代码示例python# 1. Python原生嵌套列表模拟三维数组 three_d_list [ [ # 第0层 [1, 2], # 第0层第0行 [3, 4] # 第0层第1行 ], [ # 第1层 [5, 6], # 第1层第0行 [7, 8] # 第1层第1行 ] ] print(三维列表, three_d_list) print(访问第1层第0行第1列元素, three_d_list[1][0][1]) # 输出6 # 2. NumPy三维数组 three_d_np np.array([[[1,2],[3,4]], [[5,6],[7,8]]]) print(\nNumPy三维数组) print(three_d_np) print(数组维度, three_d_np.ndim) # 输出3 print(数组形状, three_d_np.shape) # 输出(2,2,2)2层、2行、2列 print(访问第1层第0行第1列元素, three_d_np[1, 0, 1]) # 输出63. 适用场景存储立体 / 多维度数据如彩色图片的 RGB 通道 像素行列、视频的帧 像素行列。补充关键工具NumPy 维度操作实际开发中NumPy 是处理数组的核心工具这些方法能帮你快速理解 / 操作维度pythonimport numpy as np # 1. 查看维度ndim print(one_d_np.ndim, two_d_np.ndim, three_d_np.ndim) # 1 2 3 # 2. 查看形状shape返回元组元素个数维度数 print(one_d_np.shape) # (5,) → 一维5个元素 print(two_d_np.shape) # (3,3) → 二维3行3列 print(three_d_np.shape) # (2,2,2) → 三维2层2行2列 # 3. 维度转换比如一维转二维 one_d_to_two one_d_np.reshape(5, 1) # 转成5行1列的二维数组 print(\n一维转二维) print(one_d_to_two) print(转换后形状, one_d_to_two.shape) # (5,1)总结维度本质一维是 “线”单层、二维是 “面”行 列、三维是 “体”层 行 列嵌套层数 维度数访问规则索引层数与维度一致NumPy 支持[层,行,列]的直观写法原生列表需[层][行][列]实用选择纯 Python 列表适合简单场景NumPy 数组是数值计算 / 多维数据处理的首选支持维度转换、数学运算等高级功能。如果需要结合具体场景比如处理图片、数据分析理解数组维度或者想知道如何创建 / 操作指定维度的数组可以告诉我我会补充对应的示例。