是什么原因使用ndarray而不是python数组

Question

我构建了一个类，对未来的数据进行了一些迭代。 数据采用数组形式，不使用numpy对象。 在我的代码中，我经常使用.append来创建另一个数组。 在某些时候，我将一个大数组1000x2000更改为numpy.array。 现在我在出错后出错了。 我开始将所有数组转换为ndarray，但像.append这样的注释不再起作用了。 我开始遇到指向行，列或单元格的问题。 并且必须重建所有代码。

我试着回答一个问题的答案：“使用ndarray超过正常数组的优点和优势”我找不到合理的答案。 你能写什么时候我应该开始使用ndarrays吗？如果在你的练习中你使用它们或只坚持一个。

很抱歉，如果问题是新手级别，但我是python的新手，只是尝试从Matlab移动并想了解什么是利弊。 谢谢

Answer 1

NumPy和Python数组共享高效存储在内存中的属性。

NumPy数组可以加在一起，乘以一个数字，你可以在一个函数调用中计算所有值的正弦值，等等。正如HYRY指出的那样，它们也可以有多个维度。 你不能用Python数组做到这一点。

另一方面，Python数组确实可以附加到。 请注意，NumPy数组可以连接在一起（ hstack() ， vstack() ，...）。 也就是说，NumPy数组主要是为了拥有固定数量的元素。

通常首先迭代地构建一个列表（或Python数组），然后将其转换为NumPy数组（使用numpy.array() ，或者更有效地使用numpy.frombuffer() ，如HYRY所提到的）：这允许非常方便地执行对数组（或矩阵）的数学运算（复杂运算的简单语法）。 或者，可以使用numpy.fromiter()从迭代器构造数组。 或者loadtxt()从文本文件构造它。

Answer 2

使用NumPy阵列至少有两个主要原因：

• NumPy数组比Python列表需要更少的空间。 因此，您可以在NumPy数组（内存中）处理比使用Python列表更多的数据。
• NumPy数组拥有庞大的Python列表或Python数组不可用的函数和方法库。

是的，您不能简单地将列表转换为NumPy数组，并期望您的代码继续工作。 方法不同，bool语义不同。 为了获得最佳性能，即使是算法也可能需要更改。

但是，如果您正在寻找Matlab的Python替代品，您肯定会找到NumPy的用途。 值得学习。

Answer 3

array.array可以动态更改大小。 如果要从某些源收集数据，最好使用array.array 。 但是array.array只是一个维度，并且没有与它有关的计算函数。 因此，当您想对数据进行一些计算时，将其转换为numpy.ndarray ，并使用numpy中的函数。

numpy.frombuffer可以创建一个numpy.ndarray与共享相同的数据缓冲array.array对象，它的速度快，因为它不需要复制数据。

这是一个演示：

import numpy as np
import array
import random

a = array.array("d")
# a for loop that collects 10 channels data
for x in range(100):
    a.extend([random.random() for _ in xrange(10)])

# create a ndarray that share the same data buffer with array a, and reshape it to 2D
na = np.frombuffer(a, dtype=float).reshape(-1, 10)

# call some numpy function to do the calculation
np.sum(na, axis=0)

Answer 4

使用NumPy数组而不是内置列表的另一个巨大优势是NumPy有一个C API，允许本机C和C ++代码直接访问NumPy数组。 因此，许多用C语言等低级语言编写的Python库希望您使用NumPy数组而不是Python列表。

参考：用于数据分析的Python：与Pandas，NumPy和IPython进行数据争夺