Python中数据类型list、ndarray和matrix的区别

list、tuple、dictionary、set是Python中的4种基本集合类型
ndarray、matrix是NumPy包中的对象，其中matrix是ndarray的派生对象

list

python的list可以包含任意类型的对象, list可以是多维的，一个list里可以包含int, string或者其他任何对象, 另外list是可变长度的(list有append, extend和pop等方法).通过索引进行访问数据，比如a =[ [1, 2, 3], [4, 5, 6] ]，a是二维列表，则若要访问a中的2，只有a[0][2]这种方法，a[0, 2]这种方法是不能用的,list通过[ ]申明，data=[]表明data为空列表。
所以, python内建的所谓”列表”其实是功能很强大的数组, 类比一下可以说它对应于java里面的ArrayList .

ndarray

ndarray是numpy的基石, 其实它更像一个java里面的标准数组: 所有元素有一个相同数据类型(dtype), 不过大小不是固定的.

ndarray对于大计算量的性能非常好, 所以list要做运算的时候一定要先转为array(np.array(a_list)).

ndarray带有一些非常实用的函数, 列举几个常用的: shape,sum, cumsum, argmax, reshape, T, …

ndarray有fancy indexing, 非常实用, 比如: a[a>3] 返回数组里大于3的元素

ndarray之间的乘法: 如果用乘法运算符*的话, 返回的是每个位置元素相乘(类似matlab里面的.), 想要矩阵相乘需要用dot().

常见矩阵的生成方法: ones(), zeros(), eye(), diag(), …

比如 a =np.array([ [1, 2, 3], [4, 5, 6] ]) 生成一个二维数组，若要取第2行第3列中的数据，则有方法a[1, 2]，a[1][2]

Numpy是专门针对数组的操作和运算进行了设计，所以数组的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。通常Numpy数组中的所有元素的类型都是相同的，而Python列表中的元素类型是任意的，所以在通用性能方面Numpy数组不及Python列表，但在科学计算中，可以省掉很多循环语句，代码使用方面比Python列表简单的多。

Matrix和nadarray的区别

matrix是ndarray的派生对象, 所以前面ndarray那些优点都保留了.

同时, matrix全部都是二维的, 并且加入了一些更符合直觉的函数, 比如对于matrix对象而言matrix.I 得到逆矩阵，乘号运算符*得到的是矩阵乘法的结果，矩阵对应元素相乘则为np.multiply(mat1, mat2)而对于ndarray对象而言，其想实现矩阵相乘的效果，则通过np.dot(ndarray1,ndarray2)方法，对应元素相乘则为乘号运算符。不过它俩都有shape属性
numpy 中的ndarray与numpy中的matrix的最大的不同是，在做归约运算时，array的维数会发生变化，但matrix总是保持为2维。例如下面求平均值的运算

f1 = np.mat([[1, 2, 3], [1, 2, 3]])
f2 = np.array(f1)
print(f1.mean(1), '\n', f2.mean(1))  # 按行求平均数

结果

[[2.]
[2.]]
[2. 2.]

由此可以看出，二维数组f1在按行求平均值后变为了一维数组，而二维matrix f2在按行求平均值之后还是二维矩阵。

list、array和matrix之间的转换
list变成array：np.array(list)
list变成matrix：np.mat(list)
array和matrix相互转换：np.asmatrix( )和np.asarray( )
array变成list：data.tolist( )

应用最多的还是ndarray类型，在一个程序中能只用array，就全都用array为好，你不仅可以实现matrix所有的功能，还减少了不少编程和阅读的麻烦。
参考文章：
https://www.cnblogs.com/yangzhaonan/p/9245204.html
https://www.jianshu.com/p/90080701f1e9
https://www.cnblogs.com/yangzhaonan/p/9245204.html