python列表和Numpy数组的区别

Table of Contents

 

python列表和Numpy数组的区别

array的创建

元素访问

array的一维数组的访问方式

array的二维数组的访问方式

参考链接

---

python列表和Numpy数组的区别

1二者都可以用于处理多维数组。

Numpy中的ndarray对象用于处理多维数组，它作为一个快速而灵活的大数据容器。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。

2存储效率和输入输出性能不同。

Numpy专门针对数组的操作和运算进行了设计，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。

3元素数据类型。

通常，Numpy数组中的所有元素的类型都必须相同的，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。

 

array的创建

Numpy数组创建时，参数既可以是list，也可以是元组。例如：

>>> a=np.array((1,2,3))#参数是tuple

>>> b=np.array([6,7,8])#参数是list

>>> c=np.array([[1,2,3],[4,5,6]])#参数是二维list

除此之外，还可以使用numpy提供的其他方法创建一个数组，例如：

>>> arr1=np.arange(1,10,1)

>>> arr2=np.linspace(1,10,10)

np.arange(a,b,c)表示产生从a-b不包括b，间隔为c的一个array，数据类型默认是int32。但是linspace(a,b,c)表示的是把a-b平均分成c分，它包括b。

今天读程序关于步长的运用：

['%x' %int(''.join(avg_list[x:x+4]),2) for x in range(0,32*32,4)]

这个是感知哈希算法的一个步骤，将二进制数据改写为十六进制，以便于下一步的判断。这里我的一个二进制数据的长度是32×32,且二进制转十六进制可以每隔4位来转，所以就可以将步长设置为4.

从函数规则创建数组也非常方便，numpy的fromfunction函数可以实现这个功能：

>>> def f(x,y):

... return 10*x+y

... b=np.fromfunction(f,(2,2))

该函数的具体内容如下：

参数	function： 第一个参数是一个函数，例如上例中给出的f。 这个函数接受了N个参数，每个参数表示沿特定轴变化的阵列的坐标。例如上例中，第二个参数（2,2），那么这N个参数就是：（0,0）（0,1）（1,0）（1,1）。   shape： 第二个参数是一个元组，表示了数组的大小。   dtype： 第三个参数决定了传递给函数的数据类型，默认为浮点型。
返回值	返回一个数组。

元素访问

array的一维数组的访问方式

定义一个一维数组，

arr=np.array([0,1,2,3,4,5,6,7,8,9])

arr[5]	访问第6个元素 #结果：5
arr[3:5]	访问第4-5个元素 #结果：array([3,4])
arr[:5]	访问前5元素 #结果：array([0,1,2,3,4])
arr[:-1]	访问除了最后一个元素之外的元素 #结果：array([0,1,2,3,4,5,6,7,8])
arr[:]	访问全部 #结果:array([0,1,2,3,4,5,6,7,8,9])
arr[2:4]=100	将3-4个元素置为100 #结果：array([0,1,100,100,4,5,6,7,8,9])
arr[1:-1:2]	访问从第一个到最后一个的元素，步长为2 #结果：array([1,100,5,7])
arr[::-1]	访问从第一个到最后一个的元素，步长为-1 #结果：array([9,8,7,6,5,4,100,100,1,0])

 

其中，arr[a:b:n]表示按步长为n取从a到b的元素，当n为-1的时候，从右向左访问。

array的二维数组的访问方式

对于二维数组arr=np.array([[1,2,3],[4,5,6]])，我们可以通过一下的方式访问：

arr[1:2]	返回第一行 #结果：[[1,2,3]]
arr[1:2][0]	返回第一行 #结果：[1,2,3]
arr[1]	返回第一行 #结果：[1,2,3]

以上的语句都返回了二维数组的第一行，但是凡是通过“：”访问的，最终都在外面加了“[ ]”，可以像第2语句那样，再用一个索引得到最终的结果。

这里，我想起来最近截取图片的一个例子。

通常，我们用imread的图片就保存在一个数组对象中，例如：img=[[0,1,2], [3,4,5],[6,7,8]].现在我想截取这个图片的（0,0）到（1,1）矩形区域，可以通过下面的语句完成：img[0:1,0:1].截取下的结果就是[[0,1],[3,4]].

另外，还有一个需要注意的点：array的索引最终产生的是一个「 原始数据的浅拷贝」，他和原始数据共用一块内存。

>>> import numpy as np

>>> a=np.array([0,1,2])

>>> b=a[:2]

>>> b

array([0, 1])

>>> b[0]=100

>>> b

array([100, 1])

>>> a

array([100, 1, 2])

当我们修改了b的第一个元素的时候，a的第一个元素也被修改了。因为他们都是指向的同一个内存。

这是因为当我们执行b=a[:2]等语句的时候，拷贝的是指向这个元素的指针，当我们想要修改的时候，也是修改了指针指向的元素值。
 

>>> a=[0,1,2]

>>> b=a[:2]

>>> b

[0, 1]

>>> b[0]=100

>>> b

[100, 1]

>>> a

[0, 1, 2]

与之不同的是，list对象在执行的时候拷贝了数据与指针，就不会有这种状况啦。

除了上面介绍的这种根据索引访问元素的方法，array还有自己更为优秀的方法！

1使用布尔数组

>>> a=np.array([0,1,2,3,4,5,6])

>>> b=a>3

>>> b

array([False, False, False, False, True, True, True])

>>> a[b]

array([4, 5, 6])

值得注意的是，这种方法只适用于数组，list没有资格。如上例所示，布尔索引最终返回的是下标为True的数据。

2列表索引

>>> a=np.array(['a','b','c','d','e'])

>>> a

array(['a', 'b', 'c', 'd', 'e'], dtype='>> b=[0,1]

>>> a[b]

array(['a', 'b'], dtype='>> 

列表索引适用于数组和list对象。

以上两个「花式索引」他们都不和原来的数据共享内存。

 

今天这篇笔记主要是想要总结一下array和list的区别。

一个python元素其实是一个指向这个包含所有python object信息的内存的位置指针。

list:一个指向一系列指针块的指针，其中每个指针都指向一个完整的python object-对象，例如integer。每一个list 元素是一个包括数据和信息类型的完整结构。所以列表可以填充任意类型的数据。

numpy.array:底层是C语言。有步长strides,dimensions,data三属性。他的元素类型固定，缺乏灵活，但是更方便进行存储和处理数据。

参考链接

[1]https://blog.csdn.net/wyl1813240346/article/details/79806207

[2]https://blog.csdn.net/liyaohhh/article/details/51055147#reply

[3]https://docs.scipy.org/doc/numpy-dev/user/quickstart.html