一、数据维度：从 “线” 到 “体” 的数据形态
数据维度本质是 “定位一个元素需要几个索引”，可以用生活化的比喻理解：
- 一维：像一根线，只有 “前后” 方向，1 个索引就能找到元素；
- 二维：像一张纸（表格），需要 “行 + 列”2 个索引定位；
- 多维：像一个魔方，需要 3 个及以上索引（如长 × 宽 × 高）定位。
1. 一维数据（1D）
最基础的维度，Python 中常用列表、元组、一维数组表示，仅需 1 个索引访问元素。
# 示例：存储班级学生姓名（一维列表）
names = ["张三", "李四", "王五"]
# 访问元素：索引从0开始
print(names[0]) # 输出：张三
print(names[-1]) # 输出：王五（倒数第一个）
# 遍历一维数据
for name in names:
print(f"学生：{name}")
应用场景：存储单列数据（如成绩、手机号、商品名称）。
2. 二维数据（2D）
类似 Excel 表格，Python 中常用嵌套列表、二维数组、Pandas DataFrame表示，需 2 个索引（行 + 列）访问元素。
# 示例：存储学生姓名+语文/数学成绩（二维列表）
student_scores = [
["张三", 90, 88], # 第0行：姓名、语文、数学
["李四", 85, 92], # 第1行
["王五", 95, 80] # 第2行
]
# 访问元素：行索引 + 列索引
print(student_scores[1][0]) # 第1行第0列：李四
print(student_scores[2][2]) # 第2行第2列：80（王五的数学成绩）
# 遍历二维数据（按行遍历）
for row in student_scores:
name, chinese, math = row # 解包每行数据
print(f"{name}：语文{chinese}，数学{math}")
应用场景：存储表格型数据（如学生信息表、销售清单）。
3. 多维数据（3D+）
三维及以上数据，常见于图像（宽 × 高 × 颜色通道）、时空数据（时间 × 地点 × 指标）等场景，Python 中常用numpy 多维数组实现（嵌套列表可读性差，不推荐）。
python
运行
import numpy as np
# 示例：三维数组（2个班级 × 3个学生 × 2门成绩）
class_scores = np.array([
[[90, 88], [85, 92], [95, 80]], # 1班：3个学生的语文/数学成绩
[[88, 91], [79, 85], [92, 87]] # 2班
])
# 访问元素：班级索引 + 学生索引 + 科目索引
print(class_scores[0][1][1]) # 1班第2个学生的数学成绩：92
print(class_scores.shape) # 查看维度：(2, 3, 2) → 2行3列2层
维度转换小技巧（新手常用）
用numpy.reshape可快速转换数据维度（一维↔二维↔多维）：
# 一维数组转二维（3行2列）
arr1d = np.array([1,2,3,4,5,6])
arr2d = arr1d.reshape(3, 2)
print(arr2d)
# 输出：
# [[1 2]
# [3 4]
# [5 6]]
二、数据格式化：让数据 “规范又好看”
数据格式化是将数据按指定规则展示（如字符串拼接）或存储（如 JSON/CSV），核心分两类：字符串格式化（输出展示）、数据结构格式化（存储 / 传输）。
1. 字符串格式化（最常用）
目的：将变量 / 数据嵌入字符串，规范输出格式，Python 有 3 种主流方式（推荐优先用 f-string）。
| 方式 | 语法示例 | 特点 |
|---|---|---|
| % 格式化（老式） | "姓名：%s，成绩：%.1f" % (name, score) | 兼容性好，语法稍繁琐 |
| str.format() | "姓名：{}，成绩：{:.1f}".format(name, score) | 通用，支持参数定位 |
| f-string（Python3.6+） | f"姓名：{name}，成绩：{score:.1f}" | 最简洁、高效，新手首选 |
# 实战示例：三种方式对比
name = "张三"
score = 90.5
# 1. %格式化
print("姓名：%s，成绩：%.1f" % (name, score)) # 输出：姓名：张三，成绩：90.5
# 2. str.format()
print("姓名：{}，成绩：{:.1f}".format(name, score)) # 输出同上
# 3. f-string（推荐）
print(f"姓名：{name}，成绩：{score:.1f}") # 输出同上
2. 数据结构格式化（存储 / 传输）
将 Python 原生数据（列表 / 字典）转换为 JSON、CSV 等通用格式，方便存储到文件或传输给接口。
示例 1：字典转 JSON（接口数据常用）
JSON 是跨语言的通用数据格式，需导入json模块：
import json
# 原始Python字典
student = {
"name": "张三",
"age": 18,
"scores": {"chinese": 90, "math": 88}
}
# 字典转JSON字符串（ensure_ascii=False显示中文，indent=2格式化缩进）
json_str = json.dumps(student, ensure_ascii=False, indent=2)
print(json_str)
# 输出：
# {
# "name": "张三",
# "age": 18,
# "scores": {
# "chinese": 90,
# "math": 88
# }
# }
# JSON字符串转回字典
student_dict = json.loads(json_str)
print(student_dict["scores"]["math"]) # 输出：88
示例 2：二维列表转 CSV（Excel 兼容）
CSV 是表格型数据的轻量格式，需导入csv模块：
import csv
# 二维数据（表头+内容）
data = [
["姓名", "语文", "数学"],
["张三", 90, 88],
["李四", 85, 92]
]
# 写入CSV文件（newline=""避免空行，encoding="utf-8"支持中文）
with open("student_scores.csv", "w", encoding="utf-8", newline="") as f:
writer = csv.writer(f)
writer.writerows(data) # 批量写入所有行
# 读取CSV文件
with open("student_scores.csv", "r", encoding="utf-8") as f:
reader = csv.reader(f)
for row in reader:
print(row) # 输出每行数据（列表形式）
# 输出：
# ['姓名', '语文', '数学']
# ['张三', '90', '88']
# ['李四', '85', '92']
总结
- 数据维度：一维（单索引，如列表）、二维（行 + 列索引，如嵌套列表）、多维（多索引，如 numpy 数组）是核心形态，维度转换可借助
numpy.reshape； - 字符串格式化：优先使用
f-string，简洁高效，%.1f等格式符可控制数值精度； - 数据结构格式化：JSON 适合接口传输，CSV 适合表格存储，转换时需注意编码（如
utf-8）和格式参数（如indent）。
