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
数字数组 | 蟒蛇列表 |
数组可以直接处理数学运算 | 列表不能直接执行数学运算。 |
消耗的内存比列表少 | 消耗更多内存 |
数组比列表更快 | 与数组相比,列表相对较慢 |
修改有点复杂 | 更易于修改 |
数组不能包含不同的数据大小 | 一个列表可以包含多个嵌套数据大小。 |
数组不能存储不同的数据类型 | 列表可以存储不同的数据类型 |
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。
标签:Python,Numpy,列表,嵌套,数组,array,NumPy,size From: https://blog.51cto.com/10zhancom/6025081