Python?numpy中的ndarray如何理解

這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)?lái)有關(guān)Python numpy中的ndarray如何理解，文章內(nèi)容豐富且以專(zhuān)業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

numpy 模塊知識(shí)：

• numpy 模塊是一個(gè)開(kāi)源的第三方Python庫(kù)，常用于科學(xué)和工程領(lǐng)域，是科學(xué)Python和PyData 生態(tài)系統(tǒng)的核心。

• numpy 模塊易學(xué)易用的特點(diǎn)，基本上覆蓋了初學(xué)者到先進(jìn)科學(xué)研究員的所有人群。

• numpy 模塊除了在matplotlib上應(yīng)用，它還在Pandas、Scipy、scikit-learn等科學(xué)Python中。

• numpy 模塊也包含多維數(shù)組和矩陣數(shù)據(jù)結(jié)構(gòu)，它專(zhuān)門(mén)提供了具有n維數(shù)組對(duì)象的ndarray,以及對(duì)其進(jìn)行有效操作的方法。

• numpy 模塊也可用于對(duì)數(shù)組執(zhí)行各種數(shù)學(xué)運(yùn)算，提供高級(jí)數(shù)學(xué)函數(shù)庫(kù)，以及數(shù)組和矩陣的操作。

眾所周知，numpy 模塊中數(shù)組對(duì)象是其核心功能，下面我們重點(diǎn)來(lái)學(xué)習(xí)numpy 數(shù)組相關(guān)內(nèi)容。

1. 什么是 ndarray？

ndarray 概念

數(shù)組是numpy 模塊核心數(shù)據(jù)結(jié)構(gòu)。數(shù)組是值的網(wǎng)絡(luò)，它的內(nèi)部包含有原始數(shù)據(jù)、如何定義元素以及如何解釋元素的信息。我們可以使用各種方式索引元素網(wǎng)格。

ndarray 是 numpy 模塊中定義 n維數(shù)組類(lèi)型。ndarray 可以描述同種類(lèi)型project的集合。

• 同種數(shù)據(jù)類(lèi)型：numpy 數(shù)組中的所有元素都是同種類(lèi)類(lèi)型，如int32，float64等

• 同大小內(nèi)存空間：每個(gè)project占用相同大小內(nèi)存塊

• 同方式解釋?zhuān)好總€(gè)project由object數(shù)據(jù)類(lèi)型指定，，其中一個(gè)與每個(gè)數(shù)組相關(guān)聯(lián)

• 可以N個(gè)整數(shù)對(duì)project進(jìn)行索引

ndarray 內(nèi)部關(guān)系

從數(shù)組中我們可以提取python對(duì)象表示的如索引是numpy 內(nèi)置數(shù)組標(biāo)量類(lèi)型之一，我們可以通過(guò)使用數(shù)組標(biāo)量來(lái)輕松操作復(fù)雜的數(shù)據(jù)排列。

通過(guò)以上ndarray 內(nèi)部結(jié)構(gòu)，我們可以看到 ndarray 主要由 dtype、shape、stride組成

• ndarray 指向內(nèi)存映射地址的指針-data對(duì)象

• ndarray 元素解釋形象-dtype對(duì)象

• ndarray 每個(gè)維度的元素之間的間隔-strides對(duì)象（tuple）

• ndarray 對(duì)每個(gè)維度的數(shù)量和大小的描述-shape對(duì)象（tuple）

以上四個(gè)python對(duì)象就可以在ndarray 中通過(guò)索引的方式找到指定位置的數(shù)據(jù)。

同時(shí)我們也調(diào)用np.array().flags 獲取字節(jié)序、讀寫(xiě)權(quán)限等信息，可知ndarray 底層是C和Fortran 實(shí)現(xiàn)的。

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

2. ndarray 內(nèi)存結(jié)構(gòu)

ndarray 內(nèi)存結(jié)構(gòu)

我們通過(guò)numpy.array 方法創(chuàng)建一個(gè)2維數(shù)組

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)

通過(guò)array對(duì)象調(diào)用ndarray 標(biāo)量對(duì)象，可以獲知ndarray 維度大小、元素類(lèi)型、間隔等信息

通過(guò)上述圖，我們可以知道 ndarray 內(nèi)存主要?jiǎng)澐譃閮刹糠郑?/strong>

• raw data： 計(jì)算機(jī)一段連續(xù)的block，存儲(chǔ)在C或者Fortran中的數(shù)組

• metdata：有關(guān)原始數(shù)組數(shù)據(jù)的信息

3. ndarray vs list

ndarray 特點(diǎn)

• ndarray 要求所有數(shù)據(jù)都是同種類(lèi)型的

• 每個(gè)數(shù)據(jù)占用空間一樣

• 數(shù)組中存儲(chǔ)的數(shù)據(jù)是一段連續(xù)的空間

list 特點(diǎn)

• 可以容納不同數(shù)據(jù)類(lèi)型

• list 中只存放對(duì)象的引用，再通過(guò)引用找到具體的對(duì)象

• 對(duì)象的物理地址并不是連續(xù)的

所以，綜上所述，ndarray 查找數(shù)據(jù)運(yùn)行效率比list快，同時(shí)ndarray 存儲(chǔ)的數(shù)據(jù)是連續(xù)的一段空間，對(duì)比list 對(duì)象物理地址分散的，ndarray 比 list 更省空間。

上述就是小編為大家分享的Python numpy中的ndarray如何理解了，如果剛好有類(lèi)似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道。