为什么你应该使用NumPy数组而不是嵌套的Python列表？

在本文中，我们将向您展示为什么使用 NumPy 数组而不是嵌套的 Python 列表，以及它们之间的异同。

Python NumPy Library

NumPy是一个Python库，旨在有效地处理Python中的数组。它快速、简单易学且存储高效。它还改进了流程处理数据的方式。在 NumPy 中，我们可以生成一个 n 维数组。要使用 NumPy，我们只需将其导入我们的程序，然后我们可以轻松地在我们的代码中使用 NumPy 的功能。

Python 嵌套列表

Python 列表是一个可变且有序的元素集合。在 Python 中，列表用方括号表示。

• 嵌套列表可以是同构的，也可以是异构的。

• 在列表中，无法进行元素操作。

• 默认情况下，Python 列表是一维的。但是，我们可以制作一个 N 维列表。但它也将是一个存储另一个 1D 列表的 1D 列表。

• 列表的元素不必在内存中是连续的。

• Python 列表是有用的通用容器，可用于插入、添加、删除和连接数据。

• 列表有两个缺点：它们不支持“矢量化”操作，如逐元素加法和乘法，并且因为它们可以包含不同类型的对象，Python 必须存储每个元素的类型信息，并在处理每个元素时执行类型调度代码。

数字派数组

• NumPy更加高效和方便，因为它免费提供了大量的矢量和矩阵操作，减少了工作量和代码复杂性。与嵌套循环相比，Numpy 也更有效。

• NumPy 数组速度更快，并且包含更多内置函数，用于执行 FFT、卷积、快速搜索、线性代数、基本统计、直方图和其他任务。

• Numpy 数组允许对大量数据进行高级数学和其他操作。

• 默认情况下，数组是同类的，这意味着数组中的所有数据都必须具有相同的数据类型。（请注意，结构化数组同样可以在 Python 中创建。

• 逐个元素的操作是可行的。

• Numpy 数组包括各种函数、方法和变量来帮助我们完成矩阵计算工作。

• 数组的元素一起保存在内存中。例如，二维数组的所有行中必须具有相同数量的列。另一方面，三维数组在每张卡上必须具有相同数量的行和列。

嵌套列表的表示形式

例

# creating a nested list inputList= [[2, 7, 8], [1, 5, 4]] # printing nested List print(inputList)

输出

在执行时，上述程序将生成以下输出 -

[[2, 7, 8], [1, 5, 4]]

一维 Numpy 数组的表示

算法（步骤）

以下是执行所需任务要遵循的算法/步骤 -

• 使用 import 关键字导入具有别名 （np） 的 numpy 模块。

• 使用 array（） 函数（返回一个 ndarray。ndarray 是一个满足给定要求的数组对象），用于创建一维 numpy 数组。

• 打印一维数组

# importing numpy module with an alias name import numpy as np # creating a 1-dimensional numpy array inputArray = np.array([12, 4, 8, 6]) # printing 1-D array print(inputArray)

输出

在执行时，上述程序将生成以下输出 -

[12 4 8 6]

多维 Numpy 数组的表示

例

# importing numpy module with an alias name import numpy as np # creating a multi-dimensional numpy array inputArray = np.array([(2, 7, 8), (1, 5, 4)]) # printing multi-dimensional array print(inputArray)

输出

在执行时，上述程序将生成以下输出 -

[[2 7 8]
 [1 5 4]]

使用 numpy 数组相对于 Python 列表的优势

• 使用更少的内存。

• 比 Python 列表更快。

• 简单易用。

列表和数组之间的相似之处

• 它们都使用方括号 （[]）。

• 数组和列表都是可变的（两者都可以修改）。

• NumPy 数组和列表都可以编制索引，并可用于切片。

Numpy 数组和 Python 列表之间的差异

Numpy 数组和 Python 列表的比较

内存消耗

# importing numpy module with an alias name import numpy as np # importing system module import sys # creating a nested list inputList= [[2, 7, 8], [1, 5, 4]] # printing the size of each item of list(bytes) print("The size of each item of list(bytes) = ",sys.getsizeof(inputList)) # printing size of the entire list(bytes) print("The size of the entire list(bytes) = ",sys.getsizeof(inputList)*len(inputList)) # creating a Numpy array with same elements inputArray= np.array([(2, 7, 8), (1, 5, 4)]) # printing each element of Numpy array(bytes) size print("Each element of Numpy array(bytes) size = ",inputArray.itemsize) # printing the entire Numpy array(bytes) size print("The entire Numpy array(bytes) size = ", inputArray.size*inputArray.itemsize)

输出

在执行时，上述程序将生成以下输出 -

The size of each item of list(bytes) = 88
The size of the entire list(bytes) = 176
Each element of Numpy array(bytes) size = 8
The entire Numpy array(bytes) size = 48

我们可以观察到嵌套列表比 numpy 数组消耗更多的内存。

结论

在本文中，我们了解了为什么 NumPy 数组在 Python 中比嵌套列表更有用。我们使用了一个示例来演示嵌套列表上 NumPy 数组的内存效率。