概述
python中的list是python的内置数据类型,list中的数据类不必相同的,而array的中的类型必须全部相同。在list中的数据类型保存的是数据的存放的地址,简单的说就是指针,并非数据,这样保存一个list就太麻烦了,例如list1=[1,2,3,'a']需要4个指针和四个数据,增加了存储和消耗cpu。
numpy中封装的array有很强大的功能,里面存放的都是相同的数据类型
list1=[1,'a'] print list1 a=np.array([1,4,5]) b=np.array([[1,3],[4,5,6]]) c=list(a) # array到list的转换 print a,np.shape(a) print b,np.shape(b) print c,np.shape(c)
运行结果:
[1,'a'] # 元素数据类型不同,并且用逗号隔开 [1 2 3 4 5] (5L,) # 一维数组,类型用tuple表示 [[1 2 3] [4 5 6]] (2L,3L) [1,5] (5L,)
创建:
array的创建:参数既可以是list,也可以是元组.使用对应的属性shape直接得到形状
a=np.array((1,5))# 参数是元组 b=np.array([6,7,8,9,0])# 参数是list c=np.array([[1,6]])# 参数二维数组 print a,b,c.shape()
也可以直接改变属性array的形状,-1代表的是自己推算。这里并不是T,reshape(())也可以
c = np.array([[1,4],6,7],[7,10]]) c.shape # (3L,4L) c.shape=4,-1 //c.reshape((2,-1)) c <pre style="Box-sizing: border-Box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255,255,255);">array([[ 1,[ 4,5],[ 6,[ 8,10]])
这里的reshape最终相当于是一个浅拷贝,也就是说还是和原来的书c使用相同的内存空间
d=c.reshape((2,-1)) d[1:2]=100 c array([[ 1,[100,100,100],100]])
前面在创建数组的时候并没有使用数据类型,这里我们也可以使用数据类型。默认的是int32.
a1=np.array([[1,6]],dtype=np.float64) print a1.dtype,a.dtype #float64 int32<pre style="margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; Box-sizing: border-Box; overflow: auto; font-size: 14px; padding: 0px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255,255);">
前面在创建的时候我们都是使用的np.array()
方法从tuple或者list转换成为array,感觉很是费劲,numpy自己提供了很多的方法让我们自己直接创建一个array.
arr1=np.arange(1,10,1) # arr2=np.linspace(1,10) print arr1,arr1.dtype print arr2,arr2.dtype [1 2 3 4 5 6 7 8 9] int32 [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.] float64
np.arange(a,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,c)
表示的是把a-b平均分成c分,它包括b。
有时候我们需要对于每一个元素的坐标进行赋予不同的数值,可以使用fromfunction函数
def fun(i): return i%4+2 np.fromfunction(fun,(10,)) array([ 2.,3.,4.,5.,2.,3.])
fromfunction必须支持多维数组,所以他的第二个参数必须是一个tuple,只能是(10,),(10)是错误的。
def fun2(i,j): return (i+1)*(j+1) np.fromfunction(fun2,(9,9)) array([[ 1.,6.,7.,8.,9.],[ 2.,10.,12.,14.,16.,18.],[ 3.,9.,15.,18.,21.,24.,27.],[ 4.,20.,28.,32.,36.],[ 5.,25.,30.,35.,40.,45.],[ 6.,36.,42.,48.,54.],[ 7.,49.,56.,63.],[ 8.,64.,72.],[ 9.,27.,45.,54.,63.,72.,81.]])
虽然说,这里提供了很多的直接产生array的方式,但是大部分情况我们都是会从list进行转换,因为在实际的处理中,我们需要从txt加载文件,那样直接读入的数据显示存放到list中,需要处理的时候我们转换到array,因为
array的设计更加符合我们的使用,涉及到矩阵的运算在使用mat,那么list主要就是用进行元素的索取。
def loaddataSet(fileName): file=open(fileName) dataMat=[] // for line in file.readlines(): curLine=line.strip().split('\t') floatLine=map(float,curLine)//这里使用的是map函数直接把数据转化成为float类型 dataMat.append(floatLine) return dataMat
上面的韩顺返回最终的数据就是最初的list数据集,再根据不同的处理需求是转化到array还是mat。其实array是mat的父类,能用mat的地方,array理论上都能传入。
元素访问:
arr[5] #5 arr[3:5] #array([3,4]) arr[:5] #array([0,1,4]) arr[:-1]# array([0,8]) arr[:] #array([0,9]) arr[2:4]=100 # array([ 0,9]) arr[1:-1:2] #array([ 1,7]) 2 是间隔 arr[::-1] #array([ 9,0]) arr[5:2:-1]# -1的间隔表示从右向左所以5>2 #array([ 5,100])
上面是array的一维数组的访问方式,我们再来看看二维的处理方式
print c[1:2]# c[1:2].shape-->(1L,3L) print c[1:2][0] # shape-->(3L,) [[4 4 5]] [4 4 5] [python] view plain copy print c[1] print c[1:2] [4 4 5] [[4 4 5]] [python] view plain copy print c[1][2] print c[1:4] print c[1:4][0][2] 5 [[ 4 4 5] [100 100 100] [100 100 100]] 5
可以看出对于有:的表达最终的结果外面还嵌套一层list的[],。访问的一定要注意,python最bug的就是,语法
灵活,不管怎样写索引语法都是正确的,但是最终的书结果却让你大跌眼镜。
还有array的索引最终产生的是一个一个原始数据的浅拷贝,还和原来的数据共用一块儿内存
b=arr[1:6] b[:3]=0 arr #<pre style="Box-sizing: border-Box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255,255);">array([0,9])
产生上面的原因是因为array中直接存放的数据,拷贝的话直接拿走的是pointer,没有取走数据,但是list却会直接发生深拷贝,数据指针全部带走
list1=list(c) list1[1]=0 list1 #上面修改的0并没有被改变 [array([1,3]),array([100,100]),100])]
除了这些之外还有自己的更加牛掰的方式(只能用array)
1)使用布尔数组.感觉甚是强大,就不要自己写什么判断语句啦,注意这种方式得到结果不和原始数组共享空间。布尔索引仅仅适用于数组array,list没资格用。布尔索引最终得到下标索引为true的数据。索引只能是布尔数组
a=np.array(a*2) a>5 a[a>5] # array([16,32,48,64,80,16,80])
2)列表索引
列表索引可以是数组和list。返回的数据不和原来的数据共享内存。索引可以是list和array
x=np.arange(10) index=[1,5] arr_index=np.array(index) print x print x[index] # list索引 print x[arr_index] # array索引 [0 1 2 3 4 5 6 7 8 9] [1 2 3 4 5] [1 2 3 4 5]
array和list区别*2
a=np.arange(10) lista=list(a) print a*2 print lista*2 [ 0 2 4 6 8 10 12 14 16 18] [0,9]
array的广播
a = np.arange(0,60,10).reshape(-1,1) b = np.arange(0,5) print a print b [[ 0] [10] [20] [30] [40] [50]] [0 1 2 3 4] print np.add(a,c) [[ 0 1 2 3 4] [10 11 12 13 14] [20 21 22 23 24] [30 31 32 33 34] [40 41 42 43 44] [50 51 52 53 54]]
总结
以上所述是小编给大家介绍的python 中的list和array的不同之处及转换问题,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对编程小技巧网站的支持!
总结
以上是编程之家为你收集整理的python 中的list和array的不同之处及转换问题全部内容,希望文章能够帮你解决python 中的list和array的不同之处及转换问题所遇到的程序开发问题。
如果您也喜欢它,动动您的小指点个赞吧