㈠ python数组的使用
1、Python的数组分三种类型：
(1) list 普通的链表，初始化后可以通过特定方法动态增加元素。定义方式：arr = [元素]
(2) Tuple 固定的数组，一旦定义后，其元素个数是不能再改变的。定义方式：arr = (元素)
(3) Dictionary 词典类型， 即是Hash数组。定义方式：arr = {元素k:v}
2、下面具体说明这些数组的使用方法和技巧：
(1) list 链表数组
a、定义时初始化
a = [1,2,[1,2,3]]
b、定义时不初始化一维数组：
arr = []
多维数组： arr = [i for i in range(10), 1,[]] #注意， i for in xx 这个必须放在第一个位置，否则要先定义i，
如:
arr = [i for i in range(5), j for j in range(5), []]
这是错误的
这是正确的
c、del 语句和 : 的用法
可以用 start : end 表示数组里的一个区间 ( i >= start and i < end)
del 删除数组里的指定元素
如：
d、遍历数组：
e、增加元素：
一维 arr.append('aaa')
二维 arr[0].append('aaa')
如果要在任意位置插入用 arr.insert(n, 值)
此外还有一种特殊的用法是：
arr += [数组元素]
在不指定下标的情况下，是允许用 += 增加数组元素的。
(2) Tuple 固定数组Tuple 是不可变 list，一旦创建了一个 tuple 就不能以任何方式改变它。
下面拿具体示例说明：
Tuple 没有的方法：
[1] 不能向 tuple 增加元素，没有 append 、 extend 、insert 等方法。
[2] 不能从 tuple 删除元素，没有 remove 或 pop 方法。
[3] 不能在 tuple 中查找元素，没有 index 方法（index是查找而不是索引，索引直接用下标即可，如：t[0]）。
使用 tuple 的好处：
Tuple 可以转换成 list， 反之亦然。
转换方式为：
反之：
(2) Dictionary (哈希数组)词典数组
*Dictionary 的用法比较简单，它可以存储任意值，并允许是不同类型的值，下面实例来说明：
*下面例子中 a 是整数， b 是字符串, c 是数组，这个例子充分说明哈希数组的适用性。
*可以直接增加一个元素，如果同名，则会改变原来的key的元素的值
*输出所有的key
*输出所有的value
*遍历数组
㈡ Python——ndarray多维数组基本操作（1）
数组允许进行批量操作而无需使用for循环，因此更加简便，这种特性也被称为向量化。任何两个等尺寸之间的算术操作都应用逐元素操作的方式进行。
同尺度数组之间的比较，会产生一个布尔型数组。
上述操作均是在同尺度数组之间进行的，对于不同尺度数组间的操作，会使用到广播特性。
索引：获取数组中特定位置元素的过程；
切片：获取数组元素子集的过程。
new_a = a.astype(new_type)
astype()方法一定会创建新的数组（原始数据的一个拷贝），即使两个类型一致。
ls = a.tolist()
转置是一种特殊的数据重组形式，可以返回底层数据的视图而不需要复制任何内容。
数组拥有 transpose 方法，也有特殊的 T 属性。
对于更高纬度的数组， transpose 方法可以接受包含轴编号的元组，用于转置轴。
ndarray的 swapaxes 方法，通过接受一对轴编号作为参数，并对轴进行调整用于重组数据。
swapaxes 方法返回的是数据的视图，而没有对数据进行复制。
Reference：
《Python for Data Analysis:Data Wrangling with Pandas,Numpy,and IPython》
㈢ Python—Numpy库的用法
NumPy 是一个 Python 包。 它代表 “Numeric Python”。 它是一个由多维数组对象和用于处理数组的例程集合组成的库。
NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。
[('age', 'i1')]
[10 20 30]
[('abc', 21, 50.0), ('xyz', 18, 75.0)]
每个内建类型都有一个唯一定义它的字符代码：
[[1, 2] [3, 4] [5, 6]]
[[[ 0, 1, 2] [ 3, 4, 5] [ 6, 7, 8] [ 9, 10, 11]] [[12, 13, 14] [15, 16, 17] [18, 19, 20] [21, 22, 23]]]
[1 2 3]
[1 2 3]
[(1, 2, 3) (4, 5)]
原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
修改后的数组是： 0 5 10 15 20 25 30 35 40 45 50 55
原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
原始数组的转置是： [[ 0 20 40] [ 5 25 45] [10 30 50] [15 35 55]]
修改后的数组是： 0 5 10 15 20 25 30 35 40 45 50 55
C风格是横着顺序
F风格是竖着的顺序
原始数组是： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
修改后的数组是： [[ 0 10 20 30] [ 40 50 60 70] [ 80 90 100 110]]
第一个数组： [[ 0 5 10 15] [20 25 30 35] [40 45 50 55]]
第二个数组： [1 2 3 4]
修改后的数组是： 0:1 5:2 10:3 15:4 20:1 25:2 30:3 35:4 40:1 45:2 50:3 55:4
原始数组： [[0 1 2 3] [4 5 6 7]]
调用 flat 函数之后： 5
原数组： [[0 1 2 3] [4 5 6 7]]
展开的数组：默认是A [0 1 2 3 4 5 6 7]
以 F 风格顺序展开的数组： [0 4 1 5 2 6 3 7]
原数组： [[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]]
转置数组： [[ 0 4 8] [ 1 5 9] [ 2 6 10] [ 3 7 11]]
㈣ Python怎么初始化一个多维数组
你可以定义一个嵌套的list 表示一个二维数组，并初始化为这样: 1 2 score = [[0]*3, [0]*3,[0]*3] print score 这样在循环外就能方便的访问每个元素了。
㈤ Python怎么生成三维数
importnumpyasnp
a=np.array([1,2,3],dtype=int)#创建1*3维数组array([1,2,3])
type(a)#numpy.ndarray类型
a.shape#维数信息(3L,)
a.dtype.name#'int32'
a.size#元素个数：3
a.itemsize#每个元素所占用的字节数目:4
b=np.array([[1,2,3],[4,5,6]],dtype=int)#创建2*3维数组array([[1,2,3],[4,5,6]])
b.shape#维数信息（2L,3L）
b.size#元素个数：6
b.itemsize#每个元素所占用的字节数目:4
c=np.array([[1,2,3],[4,5,6]],dtype='int16')#创建2*3维数组array([[1,2,3],[4,5,6]],dtype=int16)
c.shape#维数信息（2L,3L）
c.size#元素个数：6
c.itemsize#每个元素所占用的字节数目:2
c.ndim#维数
d=np.array([[1,2,3],[4,5,6]],dtype=complex)#复数二维数组
d.itemsize#每个元素所占用的字节数目：16
d.dtype.name#元素类型：'complex128'
importnumpyasnp
a=np.array([1,2,3],dtype=int)#创建1*3维数组array([1,2,3])
type(a)#numpy.ndarray类型
a.shape#维数信息(3L,)
a.dtype.name#'int32'
a.size#元素个数：3
a.itemsize#每个元素所占用的字节数目:4
b=np.array([[1,2,3],[4,5,6]],dtype=int)#创建2*3维数组array([[1,2,3],[4,5,6]])
b.shape#维数信息（2L,3L）
b.size#元素个数：6
b.itemsize#每个元素所占用的字节数目:4
c=np.array([[1,2,3],[4,5,6]],dtype='int16')#创建2*3维数组array([[1,2,3],[4,5,6]],dtype=int16)
c.shape#维数信息（2L,3L）
c.size#元素个数：6
c.itemsize#每个元素所占用的字节数目:2
c.ndim#维数
d=np.array([[1,2,3],[4,5,6]],dtype=complex)#复数二维数组
d.itemsize#每个元素所占用的字节数目：16
d.dtype.name#元素类型：'complex128'
a1=np.zeros((3,4))#创建3*4全零二维数组
输出：
array([[0.,0.,0.,0.],
[0.,0.,0.,0.],
[0.,0.,0.,0.]])
a1.dtype.name#元素类型：'float64'
a1.size#元素个数：12
a1.itemsize#每个元素所占用的字节个数：8
a2=np.ones((2,3,4),dtype=np.int16)#创建2*3*4全1三维数组
a2=np.ones((2,3,4),dtype='int16')#创建2*3*4全1三维数组
输出：
array([[[1,1,1,1],
[1,1,1,1],
[1,1,1,1]],
[[1,1,1,1],
[1,1,1,1],
[1,1,1,1]]],dtype=int16)
a3=np.empty((2,3))#创建2*3的未初始化二维数组
输出：（mayvary）
array([[1.,2.,3.],
[4.,5.,6.]])
a4=np.arange(10,30,5)#初始值10，结束值：30（不包含），步长：5
输出：array([10,15,20,25])
a5=np.arange(0,2,0.3)#初始值0，结束值：2（不包含），步长：0.2
输出：array([0.,0.3,0.6,0.9,1.2,1.5,1.8])
fromnumpyimportpi
np.linspace(0,2,9)#初始值0，结束值：2（包含），元素个数：9
输出：
array([0.,0.25,0.5,0.75,1.,1.25,1.5,1.75,2.])
x=np.linspace(0,2*pi,9)
输出：
array([0.,0.78539816,1.57079633,2.35619449,3.14159265,
3.92699082,4.71238898,5.49778714,6.28318531])
a=np.arange(6)
输出：
array([0,1,2,3,4,5])
b=np.arange(12).reshape(4,3)
输出：
array([[0,1,2],
[3,4,5],
[6,7,8],
[9,10,11]])
c=np.arange(24).reshape(2,3,4)
输出：
array([[[0,1,2,3],
[4,5,6,7],
[8,9,10,11]],
[[12,13,14,15],
[16,17,18,19],
[20,21,22,23]]])
使用numpy.set_printoptions可以设置numpy变量的打印格式
在ipython环境下，使用help(numpy.set_printoptions)查询使用帮助和示例
加法和减法操作要求操作双方的维数信息一致，均为M*N为数组方可正确执行操作。
a=np.arange(4)
输出：
array([0,1,2,3])
b=a**2
输出：
array([0,1,4,9])
c=10*np.sin(a)
输出：
array([0.,8.41470985,9.09297427,1.41120008])
n<35
输出：
array([True,True,True,True],dtype=bool)
A=np.array([[1,1],[0,1]])
B=np.array([[2,0],[3,4]])
C=A*B#元素点乘
输出：
array([[2,0],
[0,4]])
D=A.dot(B)#矩阵乘法
输出：
array([[5,4],
[3,4]])
E=np.dot(A,B)#矩阵乘法
输出：
array([[5,4],
[3,4]])
多维数组操作过程中的类型转换
When operating with arrays of different types, the type of the
resulting array corresponds to the more general or precise one (a
behavior known as upcasting)
即操作不同类型的多维数组时，结果自动转换为精度更高类型的数组，即upcasting
数组索引、切片和迭代
a=np.ones((2,3),dtype=int)#int32
b=np.random.random((2,3))#float64
b+=a#正确
a+=b#错误
a=np.ones(3,dtype=np.int32)
b=np.linspace(0,pi,3)
c=a+b
d=np.exp(c*1j)
输出：
array([0.54030231+0.84147098j,-0.84147098+0.54030231j,
-0.54030231-0.84147098j])
d.dtype.name
输出：
'complex128'
多维数组的一元操作，如求和、求最小值、最大值等
a=np.random.random((2,3))
a.sum()
a.min()
a.max()
b=np.arange(12).reshape(3,4)
输出：
array([[0,1,2,3],
[4,5,6,7],
[8,9,10,11]])
b.sum(axis=0)#按列求和
输出：
array([12,15,18,21])
b.sum(axis=1)#按行求和
输出：
array([6,22,38])
b.cumsum(axis=0)#按列进行元素累加
输出：
array([[0,1,2,3],
[4,6,8,10],
[12,15,18,21]])
b.cumsum(axis=1)#按行进行元素累加
输出：
array([[0,1,3,6],
[4,9,15,22],
[8,17,27,38]])
universal functions
B=np.arange(3)
np.exp(B)
np.sqrt(B)
C=np.array([2.,-1.,4.])
np.add(B,C)
其他的ufunc函数包括：
all,any,apply_along_axis,argmax,argmin,argsort,average,bincount,ceil,clip,conj,corrcoef,cov,cross,cumprod,cumsum,diff,dot,floor,inner,lexsort,max,maximum,mean,median,min,minimum,nonzero,outer,prod,re,round,sort,std,sum,trace,transpose,var,vdot,vectorize,where
a=np.arange(10)**3
a[2]
a[2:5]
a[::-1]#逆序输出
foriina:
print(i**(1/3.))
deff(x,y):
return10*x+y
b=np.fromfunction(f,(5,4),dtype=int)
b[2,3]
b[0:5,1]
b[:,1]
b[1:3,:]
b[-1]
c=np.array([[[0,1,2],[10,11,12]],[[100,101,102],[110,111,112]]])
输出：
array([[[0,1,2],
[10,11,12]],
[[100,101,102],
[110,111,112]]])
c.shape
输出：
(2L,2L,3L)
c[0,...]
c[0,:,:]
输出：
array([[0,1,2],
[10,11,12]])
c[:,:,2]
c[...,2]
输出：
array([[2,12],
[102,112]])
forrowinc:
print(row)
forelementinc.flat:
print(element)
a=np.floor(10*np.random.random((3,4)))
输出：
array([[3.,9.,8.,4.],
[2.,1.,4.,6.],
[0.,6.,0.,2.]])
a.ravel()
输出：
array([3.,9.,8.,...,6.,0.,2.])
a.reshape(6,2)
输出：
array([[3.,9.],
[8.,4.],
[2.,1.],
[4.,6.],
[0.,6.],
[0.,2.]])
a.T
输出：
array([[3.,2.,0.],
[9.,1.,6.],
[8.,4.,0.],
[4.,6.,2.]])
a.T.shape
输出：
(4L,3L)
a.resize((2,6))
输出：
array([[3.,9.,8.,4.,2.,1.],
[4.,6.,0.,6.,0.,2.]])
a.shape
输出：
(2L,6L)
a.reshape(3,-1)
输出：
array([[3.,9.,8.,4.],
[2.,1.,4.,6.],
[0.,6.,0.,2.]])
详查以下函数：
ndarray.shape,reshape,resize,ravel
a=np.floor(10*np.random.random((2,2)))
输出：
array([[5.,2.],
[6.,2.]])
b=np.floor(10*np.random.random((2,2)))
输出：
array([[0.,2.],
[4.,1.]])
np.vstack((a,b))
输出：
array([[5.,2.],
[6.,2.],
[0.,2.],
[4.,1.]])
np.hstack((a,b))
输出：
array([[5.,2.,0.,2.],
[6.,2.,4.,1.]])
fromnumpyimportnewaxis
np.column_stack((a,b))
输出：
array([[5.,2.,0.,2.],
[6.,2.,4.,1.]])
a=np.array([4.,2.])
b=np.array([2.,8.])
a[:,newaxis]
输出：
array([[4.],
[2.]])
b[:,newaxis]
输出：
array([[2.],
[8.]])
np.column_stack((a[:,newaxis],b[:,newaxis]))
输出：
array([[4.,2.],
[2.,8.]])
np.vstack((a[:,newaxis],b[:,newaxis]))
输出：
array([[4.],
[2.],
[2.],
[8.]])
np.r_[1:4,0,4]
输出：
array([1,2,3,0,4])
np.c_[np.array([[1,2,3]]),0,0,0,np.array([[4,5,6]])]
输出：
array([[1,2,3,0,0,0,4,5,6]])
详细使用请查询以下函数：
hstack,vstack,column_stack,concatenate,c_,r_
a=np.floor(10*np.random.random((2,12)))
输出：
array([[9.,7.,9.,...,3.,2.,4.],
[5.,3.,3.,...,9.,7.,7.]])
np.hsplit(a,3)
输出：
[array([[9.,7.,9.,6.],
[5.,3.,3.,1.]]),array([[7.,2.,1.,6.],
[7.,5.,0.,2.]]),array([[9.,3.,2.,4.],
[3.,9.,7.,7.]])]
np.hsplit(a,(3,4))
输出：
[array([[9.,7.,9.],
[5.,3.,3.]]),array([[6.],
[1.]]),array([[7.,2.,1.,...,3.,2.,4.],
[7.,5.,0.,...,9.,7.,7.]])]
实现类似功能的函数包括：
hsplit,vsplit,array_split
a=np.arange(12)
输出：
array([0,1,2,...,9,10,11])
notatall
b=a
bisa#True
b.shape=3,4
a.shape#(3L,4L)
deff(x)#,sofunctioncallsmakeno.
print(id(x))#id是python对象的唯一标识符
id(a)#111833936L
id(b)#111833936L
f(a)#111833936L
浅复制
c=a.view()
cisa#False
c.baseisa#True
c.flags.owndata#False
c.shape=2,6
a.shape#(3L,4L)
c[0,4]=1234
print(a)
输出：
array([[0,1,2,3],
[1234,5,6,7],
[8,9,10,11]])
s=a[:,1:3]
s[:]=10
print(a)
输出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])
深复制
d=a.()
disa#False
d.baseisa#False
d[0,0]=9999
print(a)
输出：
array([[0,10,10,3],
[1234,10,10,7],
[8,10,10,11]])
numpy基本函数和方法一览
Array Creation
arange,array,,empty,empty_like,eye,fromfile,fromfunction,identity,linspace,logspace,mgrid,ogrid,ones,ones_like,r,zeros,zeros_like
Conversions
ndarray.astype,atleast_1d,atleast_2d,atleast_3d,mat
Manipulations
array_split,column_stack,concatenate,diagonal,dsplit,dstack,hsplit,hstack,ndarray.item,newaxis,ravel,repeat,reshape,resize,squeeze,swapaxes,take,transpose,vsplit,vstack
Questionsall,any,nonzero,where
Ordering
argmax,argmin,argsort,max,min,ptp,searchsorted,sort
Operations
choose,compress,cumprod,cumsum,inner,ndarray.fill,imag,prod,put,putmask,real,sum
Basic Statistics
cov,mean,std,var
Basic Linear Algebra
cross,dot,outer,linalg.svd,vdot
完整的函数和方法一览表链接：
https://docs.scipy.org/doc/numpy-dev/reference/routines.html#routines
㈥ python 中怎么用numpy定义reshape的float数组
Numpy的主要数据类型是ndarray，即多维数组。它有以下几个属性：ndarray.ndim：数组的维数
ndarray.shape：数组每一维的大小
ndarray.size：数组中全部元素的数量
ndarray.dtype：数组中元素的类型凳喊稿（numpy.int32, numpy.int16, and numpy.float64等渗纤）
ndarray.itemsize：每个元素占几个字节！枣孝
㈦ [Xarray] 1. 数据结构
参考 Xarray官方文档 ， Python气象数据处理进阶之Xarray(1)：Xarray的数据结构
在Xarray中，数据是由结构和标签的，分为以下几种：
1.DataArray:
带冲正有标注或命名维度的多维数组。DataArray将metadata（例如：维名称，坐标和属性）添加到基础的 未标记 的数据结构，例如numpy和Dask数组。
2.Datasets:
具有类似字典结构的尺寸对其的DataArray对象的 集合 。因此，可以在单个DataArray的维度上执行的大多数操作都可以在Dataset上执行。
Dataset是多个DataArray的集合
3.Variable:
类似于NetCDF的变量。由dimensions，data和attributes组成。variable和numpy数组之间的主要功能闹毁区别在于，对variable的数字运算可以通过 维名称 实现数组广播。
通俗的讲，variables < DataArray < Dataset (<指包含于)。这种解释不完全正确，但是初学者可以这样理解。
Xarray通过对维命名的操作实现数据筛选和处理，实现数据的标记和命名通过以下几个定液判备义实现：
* Dimension : 每一轴的维名称(e.g.,('x','y','z'))。
* Coordinate : 坐标或刻度。类似于字典的序列，将每个点标记。比如说dimension是纬度，那么对应的coordinate就是纬度坐标(90°N，89°N，88°N……89°S，90°S)。
* Index : 索引号，也可以说是位置标号。a[0]代表a数组的一个数，0就是index。
可以看到，该文件是一个Datasets，里面含有变量：Data Variables，数据集的维度有经度纬度和时间，各自有各自的坐标Coordinates，同样数据集还有一些属性来表明数据集信息。
我们可以通过：
来分别查看数据集中包含的变量，维，坐标。
再比如NCEP的位势高度资料：
基本同上。
需要说明的是，ncl数据中存在short格式，在读取时需要使用short2flt()函数，但是在Python中不存在short格式，默认均为float，无需考虑这一点。
有时我们通过其他手段读取了相关数据，但是数据是np.array格式的，我们需要将其转换为DataArray，亦或我们需要输出一个NC文件，需要将计算后的数组转为DataArray格式，这就用到了创建的方法。
1.Data: 数据，可以是numpy ndarray，series，DataFrame，pandas.panel等格式
2.coords: 坐标列表或字典
如果是列表，则应为元组列表。其中第一个元素为dimension name，第二个元素是对应的坐标array_like对象。
用字典格式比较好
3.dims: 维名称列表
如果省略，并且coords是元组列表，则维度名称取自coords。
4.attrs: 属性
5.names: 变量名
以上，除了data外，都不是必须的。
创建示例如下：
上面提到，除了data以外，其他都是不必要的
如果是从一个DataFrame数据转化为DataArray的话（这种操作通常是为了将Pandas和Xarray联合使用）：
会自动识别行列的名称和序号。
官方文档还有更复杂的例子，需要的话再去官网查看。
在创建了数据之后，我们同样可以使用相关的操作获取DataArray的各种信息：
如果想对DataArray的值修改可以通过以下两种方法：
两种结果是等价的，但官方只给出了第一种方法。
*通过指令 foo.rename('temperature') 改名，比如通过hgt计算得到了一个新变量，需要改名，就可以用这个指令。
在得到一个DataArray后，用于画图时，比如我们需要获取它的经度和纬度（在这里，刚刚的例子是时间和高度），那么可以直接通过
这两种方式取出坐标信息。
要修改或者删除某坐标信息的话，原理和修改数据是一样的：
官网给出一个以气候数据为例的Dataset结构：
<center>
</center>
一个数据集，包含了数据主体(Temperature,Precipitation)，维度坐标(latitude,longitude)。
根据官网的例子，一个Dataset是这样创建的，实际上与DataArray类似：
实际上这个例子与我们通常接触的不太一样，因为大部分数据的lat和lon都是一维的。
对Dataset的操作和DataArray基本一致，不再重复。
㈧ python 3 三维数组或者多维数组 怎么计算元素的百分比,详细里面会具体一点
在Python中，一个像这样的多维表格可以通过“序列的序列”实现。一个表格是行的序列。每一行又是独立单元格的序列。这类似于我们使用的数学记号，在数学里我们用Ai,j，而在Python里我们使用A[i][j]，代表矩阵的第i行第j列。
这看起来非常像“元组的列表”（Lists of Tuples）。
“列表的列表”示例
我们可以使用嵌套的列表推导式（list comprehension）创建一个表格。 下面的例子创建了一个“序列的序列”构成的表格，并为表格的每一个单元格赋值。
table= [ [ 0 for i in range(6) ] for j in range(6) ]
print table
for d1 in range(6):
for d2 in range(6):
table[d1][d2]= d1+d2+2
print table
123456
程序的输出结果如下：
[[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]]
[[2, 3, 4, 5, 6, 7], [3, 4, 5, 6, 7, 8], [4, 5, 6, 7, 8, 9],
[5, 6, 7, 8, 9, 10], [6, 7, 8, 9, 10, 11], [7, 8, 9, 10, 11, 12]]
1234
这个程序做了两件事：创建了一个6 × 6的全0表格。 然后使用两枚骰子的可能组合的数值填充表格。 这并非完成此功能最有效的方式，但我们通过这个简单的例子来演示几项技术。我们仔细看一下程序的前后两部分。
程序的第一部分创建并输出了一个包含6个元素的列表，我们称之为“表格”；表格中的每一个元素都是一个包含6个0元素的列表。它使用列表推导式，对
于范围从0到6的每一个j都创建对象。每一个对象都是一个0元素列表，由i变量从0到6遍历产生。初始化完成之后，打印输出二维全0表格。
推导式可以从里向外阅读，就像一个普通表达式一样。内层列表[ 0 for i in range(6) ]创建了一个包含6个0的简单列表。外层列表[ [...] for j in range(6) ]创建了这些内层列表的6个深拷贝。
程序的第2个部分对2个骰子的每一个组合进行迭代，填充表格的每一个单元格。这由两层嵌套循环实现，每一个循环迭代一个骰子。外层循环枚举第一个骰子的所有可能值d1。内层循环枚举第二个骰子d2。
更新每一个单元格时需要通过table[d1]选择每一行；这是一个包含6个值的列表。这个列表中选定的单元格通过...[d2]进行选择。我们将掷骰子的值赋给这个单元格，d1+d2+2
其他示例
打印出的列表的列表不太容易阅读。下面的循环会以一种更加可读的形式显示表格。
>>>
for row in table:
...
print row
...
[2, 3, 4, 5, 6, 7]
[3, 4, 5, 6, 7, 8]
[4, 5, 6, 7, 8, 9]
[5, 6, 7, 8, 9, 10]
[6, 7, 8, 9, 10, 11]
[7, 8, 9, 10, 11, 12]
12345678910111213
作为练习，读者可以试着在打印列表内容时，再打印出行和列的表头。提示一下，使用"%2d" % value字符串运算符可以打印出固定长度的数字格式。
显示索引值（Explicit Index Values）
我们接下来对骰子表格进行汇总统计，得出累计频率表。我们使用一个包含13个元素的列表（下标从0到12）表示每一个骰子值的出现频率。观察可知骰子值2在矩阵中只出现了一次，因此我们期望fq[2]的值为1。遍历矩阵中的每一个单元格，得出累计频率表。
fq= 13 * [0]
for i in range(6):
for j in range(6):
c= table[i][j]
fq[ c ] += 1
12345
使用下标i选出表格中的行，用下标j从行中选出一列，得到单元格c。然后用fq统计频率。
这看起来非常的数学和规范。Python提供了另外一种更简单一些的方式。
使用列表迭代器而非下标
表格是列表的列表，可以采用无下标的for循环遍历列表元素。
fq= 13 * [0]
print fq
for row in table:
for c in row:
fq[c] += 1
print fq[2:]
㈨ python中怎么表示多维数组
只有通过遍历得到。这个应该没有直接获取的方式方法。遍历这个数组，当然维数不确定的话你就需要使用递归，然后一一判断它的值是否为你指定的值，然后输出索引。另外，建议不要匿名提问，因为这会让很多高手不屑于回答你的问题。
㈩ python中如何表示多维数组
在Python中，一个像这样的多维表格可以通过“序列的序列”实现。一个表格是行的序列。每一行又是独立单元格的序列。这类似于我们使用的数学记号，在数学里我们用Ai,j，而在Python里我们使用A[i][j]，代表矩阵的第i行第j列。
这看起来非常像“元组的列表”（Lists of Tuples）。
“列表的列表”示例：
我们可以使用嵌套的列表推导式（list comprehension）创建一个表格。 下面的例子创建了一个“序列的序列”构成的表格，并为表格的每一个单元格赋值。
table= [ [ 0 for i in range(6) ] for j in range(6) ]print tablefor d1 in range(6):for d2 in range(6):table[d1][d2]= d1+d2+2print table123456程序的输出结果如下：
[[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]]，
[[2, 3, 4, 5, 6, 7], [3, 4, 5, 6, 7, 8], [4, 5, 6, 7, 8, 9],
[5, 6, 7, 8, 9, 10], [6, 7, 8, 9, 10, 11], [7, 8, 9, 10, 11, 12]]
1234
这个程序做了两件事：创建了一个6 × 6的全0表格。 然后使用两枚骰子的可能组合的数值填充表格。 这并非完成此功能最有效的方式，但我们通过这个简单的例子来演示几项技术。我们仔细看一下程序的前后两部分。
程序的第一部分创建并输出了一个包含6个元素的列表，我们称之为“表格”；表格中的每一个元素都是一个包含6个0元素的列表。它使用列表推导式，对于范围从0到6的每一个j都创建对象。每一个对象都是一个0元素列表，由i变量从0到6遍历产生。初始化完成之后，打印输出二维全0表格。
推导式可以从里向外阅读，就像一个普通表达式一样。内层列表[ 0 for i in range(6) ]创建了一个包含6个0的简单列表。外层列表[ [...] for j in range(6) ]创建了这些内层列表的6个深拷贝。
程序的第2个部分对2个骰子的每一个组合进行迭代，填充表格的每一个单元格。这由两层嵌套循环实现，每一个循环迭代一个骰子。外层循环枚举第一个骰子的所有可能值d1。内层循环枚举第二个骰子d2。
更新每一个单元格时需要通过table[d1]选择每一行；这是一个包含6个值的列表。这个列表中选定的单元格通过...[d2]进行选择。我们将掷骰子的值赋给这个单元格，d1+d2+2。
其他示例：
打印出的列表的列表不太容易阅读。下面的循环会以一种更加可读的形式显示表格。
for row in table:
print row[2, 3, 4, 5, 6, 7]
[3, 4, 5, 6, 7, 8]
[4, 5, 6, 7, 8, 9]
[5, 6, 7, 8, 9, 10]
[6, 7, 8, 9, 10, 11]
[7, 8, 9, 10, 11, 12]
12345678910111213作为练习，读者可以试着在打印列表内容时，再打印出行和列的表头。提示一下，使用"%2d" % value字符串运算符可以打印出固定长度的数字格式。显示索引值（Explicit Index Values）。
我们接下来对骰子表格进行汇总统计，得出累计频率表。我们使用一个包含13个元素的列表（下标从0到12）表示每一个骰子值的出现频率。观察可知骰子值2在矩阵中只出现了一次，因此我们期望fq[2]的值为1。遍历矩阵中的每一个单元格，得出累计频率表。
fq= 13 * [0]for i in range(6):for j in range(6):c= table[i][j]fq[ c ] += 112345使用下标i选出表格中的行，用下标j从行中选出一列，得到单元格c。然后用fq统计频率。
这看起来非常的数学和规范。
Python提供了另外一种更简单一些的方式。
使用列表迭代器而非下标，表格是列表的列表，可以采用无下标的for循环遍历列表元素。
fq= 13 * [0]print fqfor row in table:for c in row:fq[c] += 1print fq[2: