Python numpy中的ndarray如何理解

2023-05-13,,

这期内容当中小编将会给大家带来有关Python numpy中的ndarray如何理解,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。

numpy 模块知识:

  • numpy 模块是一个开源的第三方Python库,常用于科学和工程领域,是科学Python和PyData 生态系统的核心。

  • numpy 模块易学易用的特点,基本上覆盖了初学者到先进科学研究员的所有人群。

  • numpy 模块除了在matplotlib上应用,它还在PandasScipyscikit-learn等科学Python中。

  • numpy 模块也包含多维数组和矩阵数据结构,它专门提供了具有n维数组对象的ndarray,以及对其进行有效操作的方法。

  • numpy 模块也可用于对数组执行各种数学运算,提供高级数学函数库,以及数组和矩阵的操作。

众所周知,numpy 模块中数组对象是其核心功能,下面我们重点来学习numpy 数组相关内容。

1. 什么是 ndarray?

ndarray 概念

数组是numpy 模块核心数据结构。数组是值的网络,它的内部包含有原始数据、如何定义元素以及如何解释元素的信息。我们可以使用各种方式索引元素网格。

ndarray 是 numpy 模块中定义 n维数组类型。ndarray 可以描述同种类型project的集合。

  • 同种数据类型:numpy 数组中的所有元素都是同种类类型,如int32,float64等

  • 同大小内存空间:每个project占用相同大小内存块

  • 同方式解释:每个project由object数据类型指定,,其中一个与每个数组相关联

  • 可以N个整数对project进行索引

ndarray 内部关系

从数组中我们可以提取python对象表示的如索引是numpy 内置数组标量类型之一,我们可以通过使用数组标量来轻松操作复杂的数据排列。

通过以上ndarray 内部结构,我们可以看到 ndarray 主要由 dtypeshapestride组成

  • ndarray 指向内存映射地址的指针-data对象

  • ndarray 元素解释形象-dtype对象

  • ndarray 每个维度的元素之间的间隔-strides对象(tuple)

  • ndarray 对每个维度的数量和大小的描述-shape对象(tuple)

以上四个python对象就可以在ndarray 中通过索引的方式找到指定位置的数据。

同时我们也调用np.array().flags 获取字节序、读写权限等信息,可知ndarray 底层是C和Fortran 实现的。

  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

2. ndarray 内存结构

ndarray 内存结构

我们通过numpy.array 方法创建一个2维数组

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)
import numpy as np

a = np.array([[1,2],[4,5],[7,8]])

print("dim:",a.ndim)
print("strides:",a.strides)
print("dtype:",a.dtype)
print("data:",a.data)
print("shape:",a.shape)
print(a)

通过array对象调用ndarray 标量对象,可以获知ndarray 维度大小、元素类型、间隔等信息

通过上述图,我们可以知道 ndarray 内存主要划分为两部分:

  • raw data: 计算机一段连续的block,存储在C或者Fortran中的数组

  • metdata:有关原始数组数据的信息

3. ndarray vs list

ndarray 特点

  • ndarray 要求所有数据都是同种类型的

  • 每个数据占用空间一样

  • 数组中存储的数据是一段连续的空间

list 特点

  • 可以容纳不同数据类型

  • list 中只存放对象的引用,再通过引用找到具体的对象

  • 对象的物理地址并不是连续的

所以,综上所述,ndarray 查找数据运行效率比list快,同时ndarray 存储的数据是连续的一段空间,对比list 对象物理地址分散的,ndarray 比 list 更省空间。

上述就是小编为大家分享的Python numpy中的ndarray如何理解了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注本站行业资讯频道。

《Python numpy中的ndarray如何理解.doc》

下载本文的Word格式文档,以方便收藏与打印。