数据结构（一）——数组

数组

数组可以说是一种最简单的数据结构，它占据一块连续内存并按照顺序存储数据。我们在创建数组是要首先指定数组的空间大小，假如我们只在这个数组中存储一个数据，那也是占据着整块内存，所以它的空间效率并不高。因为数组中的内存是连续的，所以我们可以下标在O(l)时间读写任何元素，因此它的时间效率是很高的。
我们可以根据数组时间效率高的优点，用数组来实现简单的哈希表：把数组的下标设为哈希表的键值（Key），而把数组中的每一个数字设为哈希表的值，这样每一个下标及数组中该下标对应的数字就组成了一个“键值——值”的配对。有了这样的哈希表，我们就可以在O(l)时间内实现查找，从而快速、高效地解决很多问题，
下面来看下Python中数组的应用情况：
标准的Python中用列表list保存一组值，可以用来当作数组使用，但由于列表的元素可以是任何对象，因此列表中保存的是对象的指针。这样的话，对于数值运算，这种结构显然比较浪费内存和cpu计算时间。
此外，Python还提供了array模块，它所提供的array对象和列表不同，能直接保存数值，和C的一维数组类似。但是由于它不支持多维数组，也没有各种运算函数。
然后Numpy的诞生弥补了这些不足。Numpy提供了ndarray和ufunc两种基本的对象。
下面挨个来看这三种形式。
一、列表list
Python列表的存储形式就是以数组array的形式进行存储的而不是链表，然后每一个元素其实存储的是列表对象的指针。每次存储元素的空间使用完之后，将动态分配原有储存空间两倍的大小的新内存作为存储空间。
它是可变对象，类似C#中的ArrayList，C++中的vector,用于顺序存储,并且可以存储不同类型的数据。
索引从0开始，也可以用负索引，-1表示最后一个元素。

（1）list的存储

注意下面这种情况：

这里a和b作用相当于指针，指向数据所在位置的地址，li = [a, b]之后，列表中就已经存储好了数据的地址，虽然后面a指向的内容变了，但是列表中存放的地址没变还是原来的地址，所以列表中的数据没变。

（2）list的方法

li = [3,5,'hello']
li.append(var)   #向结尾追加数据
li.insert（index，var）   #向index位置处插入数据var
li.pop(index)       #返回元素，并从list中删除之，若没参数，默认最后一个
li.remove(var)     #删除第一次出现的该元素
li.count(var)      #该元素在列表中出现的个数
li.index(var)      #返回该元素的位置，无则抛出异常
li.extend(list)    #在结尾追加list，即将li和list进行拼接合并(等同于：li+list)
li.sort()       #排序，默认从小到大（key=None, reverse=False）,其中可以通过key参数指定排序的关键字，并且key后面一般跟的是一个方法，eg:key=len
li.reverse()     #倒序

同时来看下list其他的一些操作：

li1 = li      #列表的复制
li2 = li[:]     #利用切片进行列表复制
del li2[1]      #删除指定位置元素
[2]*4     #[2,2,2,2]

二、array模块

这个模块貌似用的比较少，我几乎没用过，所以现在就是照着网上的一些介绍来大概记录下array模块的用法。
上面提到的list，可以存放各种类型的数据，但是array不行，在创建array数组时需要用类型代码来指定这个array里面存放数据的类型，也就是一个array中存储的是相同类型的数据。
array能直接存放数据，这点于list也不同。

import array
#array.array(typecode,[initializer])——typecode：元素类型代码；initializer：初始化器，若数组为空，则省略初始化器。
arr = array.array('i',[0,1,1,2,3])
print(arr)

方法啥的不说了，如果后面用到了再补充吧。

三、numpy.array

numpy是Python的一个科学计算模块，在numpy中，使用ndarray对象表示数组，它是整个库的核心，numpy中所有的操作都围绕ndarray对象进行处理。
ndarray 是存储单一数据类型的多维数组。
首先需要创建数组，可以利用array()函数

import numpy as np
a = np.array([1,2,3])
b = np.array([[2,3,4],[3,4,5]])
print (a,b)

结果

array([1,2,3])
array([[2,3,4],[3,4,5]])

数组的形状可以通过shape属性来获得，它是一个描述数组各个轴的长度的元祖

print(a.shape,b.shape)

结果：

(3,)    #有一个元素表示是一维数组，shape的元组里有几个元素就表示这个数组是几维的
(2,3)

还可以通过修改数组的shape属性，在保持数组元素个数不变的情况下，改变数组每个轴的长度，

b.shape = 3,2

再看b

array([[2, 3],
       [4, 3],
       [4, 5]])

注意从（2,3）改成（3,2）并不是对数组进行转置，而只是改变每个轴的大小，数组元素在内存中的位置并没有改变。
当设置某个轴的元素个数为-1时，将自动计算此轴的长度。由于数组b有6个元素，因此下面的程序将数组b的shape属性改成了（1,6）：

b.shape = 6,-1

array([[2],
       [3],
       [4],
       [3],
       [4],
       [5]])

使用数组的reshape()方法，可以创建指定形状的新数组，而原数组的形状保持不变

c = a.reshape((3,1))

>>> c
array([[1],
       [2],
       [3]])
>>> a
array([1, 2, 3])

数组a和c其实共享数据存储空间，因此修改其中任意一个数组的元素都会同时修改另一个数组的内容：

>>> a[1] = 100

>>> a
array([  1, 100,  3])
>>> c
array([[  1],
       [100],
       [  3]])
>>> 

其他有关多维数组的知识请去看numpy学习系列哦~~~~