前面我介绍了可视化的一些方法以及机器学习在预测方面的应用，分为分类问题（预测值是离散型）和回归问题（预测值是连续型）（具体见之前的文章）。
从本期开始，我将做一个数据分析类实战的系列文章，列举一些在平时数据处理中遇到的一些小问题，提供一个解决方案，让读者慢慢理解python数据分析的原理和方法，每一篇文章从实现功能、实现代码、实现效果三个方面进行展示。
实现功能：
实现一维列表（数组）和多维列表（数组）的相互转化。
实现代码：
#=======多位列表（数组）转化为一维列表（数组）==================
# 方法1:利用数组的flatten
import numpyas np
mulArrays = [[1,2,3],[4,5,6],[7,8,9]]
print(list(np.array(mulArrays).flatten()))
# 方法2:列表推导式
mulArrays = [[1,2,3],[4,5,6],[7,8,9]]
print([ifor arrin mulArraysfor iin arr])
#=======一维列表（数组）转化为多维列表（数组）==================
# 方法1:利用numpy
import numpyas np
x = [1, 2, 3, 4, 5, 6, 7, 8, 9]
Y = np.array(x).reshape(3, 3)
X=[]
for iin Y:
X.append(list(i))
print(X)
# 方法2:叠加法自定义各个维度
s = [1, 2, 3, 4, 5, 6, 7, 8, 9]
x =2;y =2;z =3
a = []; b = [];c = []
for iin s:
if len(a) < x:
a.append(i)
continue
if len(b) < y:
b.append(a)
a = []
b.append(i)
else:
continue
if len(c) < z:
c.append(b)
b = []
else:
continue
print(c)
实现效果：
本人读研期间发表5篇SCI数据挖掘相关论文，现在在某研究院从事数据挖掘相关工作，对数据挖掘有一定的认知和理解，会不定期分享一些关于python机器学习、深度学习、数据挖掘基础知识与案例。致力于只做原创，以最简单的方式让你理解和学习它们，关注V数据杂坛获取源代码和相关数据与我一起交流成长。
