前言
面试中特别重视对于数据结构的考查（某次面试被问及Python中列表和数组的区别，回答的不好，痛定思痛，扎实的基础决定面试的成败！）
本节简要总结Python中数组、列表、元组、Numpy数组、Numpy矩阵的概念与联系。
1. 数组
- Python没有数组！！！
2. 列表
- python内置类型，即动态数组，C++标准库的vector，但可含不同类型的元素于一个list中。
- 下标：按下标读写，就当作数组处理，以0开始，有负下标的使用
- list的常用方法
- L.append(var) #追加元素
- L.insert(index,var)
- L.pop(var) #返回最后一个元素，并从list中删除之
- L.remove(var) #删除第一次出现的该元素
- L.count(var) #该元素在列表中出现的个数
- L.index(var) #该元素的位置,无则抛异常
- L.extend(list) #追加list，即合并list到L上
- L.sort() #排序
- L.reverse() #倒序
- 更多操作：Python 列表(list)操作
3. 元组
- tuple也是一个class，是不可变的list类型，不可以增删改。
- 任意无符号的对象，以逗号隔开，默认为元组。
- 详细用法：python中元组(tuple）用法总结
与list的异同
异：
- 元组一旦创建不可改变，例如：aa=tuple(1,2,3)；
- 元组不能追加(append)元素，弹出(pop)元素等；
- 只能对元组中的元素进行索引aa[0]，不能对其中的元组进行赋值aa[0]=8；
- 使用元组的好处在于对元组进行操作更为高效，适合存放一组常量；
同：
- 定义 tuple 与定义 list 的方式相同, 除了整个元素集是用小括号包围的而不是方括号。
- Tuple 的元素与 list 一样按定义的次序进行排序。 Tuples 的索引与 list 一样从 0 开始, 所以一个非空 tuple 的第一个元素总是 t[0]。
- 负数索引与 list 一样从 tuple 的尾部开始计数。
- 与 list 一样分片 (slice) 也可以使用。注意当分割一个 list 时, 会得到一个新的 list ；当分割一个 tuple 时, 会得到一个新的 tuple。
用 Tuple 的好处
Tuple 比 list 操作速度快。如果您定义了一个值的常量集，并且唯一要用它做的是不断地遍历它，请使用 tuple 代替 list。
如果对不需要修改的数据进行 “写保护”，可以使代码更安全。使用 tuple 而不是 list 如同拥有一个隐含的 assert 语句，说明这一数据是常量。如果必须要改变这些值，则需要执行 tuple 到 list 的转换。
Tuple 与 list 的转换
Tuple 可以转换成 list，反之亦然。从效果上看，tuple 冻结一个 list，而 list 解冻一个 tuple。
内置的 tuple 函数接收一个 list，并返回一个有着相同元素的 tuple。
a = [1, 2, 3]
tuple(a)
而 list 函数接收一个 tuple 返回一个 list。
a = (1, 2, 3)
list(a)
4. Numpy数组
- 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。
# 使用列表创建二维数组
arr1 = [[1, 2], [3, 4]]
# 使用Numpy创建二维数组
import numpy as np
arr2 = np.array([[1, 2], [3, 4]])
为什么需要使用Numpy
- 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。
另外，具体使用过程中：
（1）list不具有array的全部属性（如维度、转置等）
#eg1_1
import numpy as np
a = np.array([[1,2,0,1],[1,6,9,55],[7,8,9,5]])#a为数组
print(a.T)
#Result：
[[ 1 1 7]
[ 2 6 8]
[ 0 9 9]
[ 1 55 5]]
#eg1_2
a = [[1,2,0,1],[1,6,9,55],[7,8,9,5]] #a为列表
print(a.T)
#Result：
'list' object has no attribute 'T'
#eg1_3
import numpy as np
a=np.array([[1,2,3],[1,1,4],[1,5,1]])
print(a.shape)
#Result：
(3, 3)
#eg1_4
a=[[1,2,3],[1,1,4],[1,5,1]]
print(a.shape)
#Result
'list' object has no attribute 'shape'
（2）a[:m]的含义，a可以是列表或者数组，但是无论是哪种情况，a[:0]为空
#eg2_1
import numpy as np
a=np.array([[4,1,2],
[7,4,10],
[12,17,88]])
#a=np.array([(4,1,2),
# (7,4,10),
# (12,17,88)]) 这两个a中[和(不一样，其实它们完全一样
print(a[:0])
print(a[:1])
print(a[:2])
#Result:
[]
[[4 1 2]]
[[ 4 1 2]
[ 7 4 10]]
#eg2_1
a=[(4,1,2),(7,4,10),(12,17,88)]
print(a[:0])
print(a[:1])
print(a[:2])
#Result:
[]
[(4, 1, 2)]
[(4, 1, 2), (7, 4, 10)]
（3）array和list关于“==”的计算
#eg3_1
import numpy as np
a=np.array(['dog','cat','car'])
b=np.array(['dog','cat','trunk'])
acc = (np.mean(a == b))
print(acc)
#Result
0.6666666666666666
#eg3_2
import numpy as np
a=['dog','cat','car']
b=['dog','cat','trunk']
acc = (np.mean(a == b))
print(acc)
#Result
0.0
（4）array和list关于“*”的计算
from numpy import *
#a为数组
a=array([[1,2,3],
[4,5,6]])
b=4*a
print(b)
[[ 4 8 12]
[16 20 24]]
from numpy import *
#a为列表
a=([[1,2,3],
[4,5,6]])
b=4*a
print(b)
[[1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6], [1, 2, 3], [4, 5, 6]]
5. Numpy矩阵
Numpy数组和矩阵的区别：
- 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。
- 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。
- 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。
- 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 。
例如：
-
** 运算符的作用也不一样 ：因为a是个matrix，所以a2返回的是a*a，相当于矩阵相乘。而c是array，c2相当于，c中的元素逐个求平方。
-
问题就出来了，如果一个程序里面既有matrix 又有array，会让人脑袋大。但是如果只用array，你不仅可以实现matrix所有的功能，还减少了编程和阅读的麻烦。
-
当然你可以通过下面的两条命令轻松的实现两者之间的转换：np.asmatrix和np.asarray
-
numpy 中的array与numpy中的matrix的最大的不同是，在做归约运算时，array的维数会发生变化，但matrix总是保持为2维。例如下面求平均值的运算.
参考
Python 列表(list)操作
python中元组(tuple）用法总结
python中的数组和列表
Python列表、Numpy数组与矩阵的区别
