数组，向量和矩阵以及空间的维数

1、Python列表和Numpy数组的区别：

此处参考了 https://blog.csdn.net/wyl1813240346/article/details/79806207
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。使用Python列表可以存储一维数组，通过列表的嵌套可以实现多维数组，那么为什么还需要使用Numpy呢？Numpy是专门针对数组的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。通常Numpy数组中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以在通用性能方面Numpy数组不及Python列表，但在科学计算中，可以省掉很多循环语句，代码使用方面比Python列表简单的多。

2、Numpy数组和矩阵的区别：

1. Numpy matrices必须是2维的,但是 numpy arrays (ndarrays) 可以是多维的（1D，2D，3D····ND）. Matrix是Array的一个小的分支，包含于Array。所以matrix 拥有array的所有特性。
2. 在numpy中matrix的主要优势是：相对简单的乘法运算符号。例如，a和b是两个matrices，那么a*b，就是矩阵积。
3. matrix 和 array 都可以通过objects后面加.T 得到其转置。但是 matrix objects 还可以在后面加 .H f得到共轭矩阵, 加 .I 得到逆矩阵。
4. 相反的是在numpy里面arrays遵从逐个元素的运算，所以array：c 和d的c*d运算相当于matlab里面的c.*d运算。而矩阵相乘，则需要numpy里面的dot命令 。

3、matlab关于矩阵的维数的解释

a =
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1
就上面这样一个矩阵而言，它有3行5列
第一维：行维，即行向，也即垂直方向，维数为3，就矩阵a而言
第二维：列维，即列向，也即水平方向，维数为5
第三维：页，类似课本的一页一页，每一页是个平面，可以放一个类似a的二维矩阵
第四维：没有其他名字了，就是一个抽象的概念
第五维：类似第四维，
。。
假设我利用ones函数得到一个矩阵
b=ones(4,5,3);
那么这个4就对应矩阵第一维的维数，如上所言，就是说b有4行
同理5就是说有5列，3就是说有3页

用法：zeros(shape, dtype=float, order=‘C’)
返回：返回来一个给定形状和类型的用0填充的数组；
参数：shape:形状
　　　dtype:数据类型，可选参数，默认numpy.float64
　　　dtype类型：t ,位域,如t4代表4位
　　　 b,布尔值，true or false 　
　　　i,整数,如i8(64位）
　　　u,无符号整数，u8(64位）
　　　f,浮点数，f8（64位）
　　　c,浮点负数，
　　　o,对象，
　　　s,a，字符串，s24
　　　u,unicode,u24
　　　order:可选参数，
　　　c代表与c语言类似，行优先；
　　　F代表列优先
　　　例子：

np.zeros(5) 
array([ 0.,  0.,  0.,  0.,  0.]) 

np.zeros((5,), dtype=np.int)
array([0, 0, 0, 0, 0])

np.zeros((2, 1))
array([[ 0.],
       [ 0.]])
       
s = (2,2)
np.zeros(s)
array([[ 0.,  0.],
       [ 0.,  0.]])
       
np.zeros((2,), dtype=[('x', 'i4'), ('y', 'i4')]) # custom dtype
array([(0, 0), (0, 0)], dtype=[('x', '<i4'), ('y', '<i4')])
     

1维数组叫矢量，2维组叫矩阵，3维及大于3维的数组就叫多维数组

---