python的array和list_python 中的list和array的不同之处及转换问题

python中的list是python的内置数据类型,list中的数据类不必相同的,而array的中的类型必须全部相同。在list中的数据类型保存的是数据的存放的地址,简单的说就是指针,并非数据,这样保存一个list就太麻烦了,例如list1=[1,2,3,'a']需要4个指针和四个数据,增加了存储和消耗cpu。

numpy中封装的array有很强大的功能,里面存放的都是相同的数据类型

list1=[1,2,3,'a']

print list1

a=np.array([1,2,3,4,5])

b=np.array([[1,2,3],[4,5,6]])

c=list(a) # array到list的转换

print a,np.shape(a)

print b,np.shape(b)

print c,np.shape(c)

运行结果:

[1, 2, 3, 'a'] # 元素数据类型不同,并且用逗号隔开

[1 2 3 4 5] (5L,) # 一维数组,类型用tuple表示

[[1 2 3]

[4 5 6]] (2L, 3L)

[1, 2, 3, 4, 5] (5L,)

创建:

array的创建:参数既可以是list,也可以是元组.使用对应的属性shape直接得到形状

a=np.array((1,2,3,4,5))# 参数是元组

b=np.array([6,7,8,9,0])# 参数是list

c=np.array([[1,2,3],[4,5,6]])# 参数二维数组

print a,b,

c.shape()

也可以直接改变属性array的形状,-1代表的是自己推算。这里并不是T, reshape(())也可以

c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])

c.shape # (3L, 4L)

c.shape=4,-1 //c.reshape((2,-1))

c

array([[ 1, 2, 3],

[ 4, 4, 5],

[ 6, 7, 7],

[ 8, 9, 10]])

这里的reshape最终相当于是一个浅拷贝,也就是说还是和原来的书c使用相同的内存空间

d=c.reshape((2,-1))

d[1:2]=100

c

array([[ 1, 2, 3],

[ 4, 4, 5],

[100, 100, 100],

[100, 100, 100]])

前面在创建数组的时候并没有使用数据类型,这里我们也可以使用数据类型。默认的是int32.

a1=np.array([[1,2,3],[4,5,6]],dtype=np.float64)

print a1.dtype,a.dtype #float64 int32

 
 

前面在创建的时候我们都是使用的np.array()方法从tuple或者list转换成为array,感觉很是费劲,numpy自己提供了很多的方法让我们自己直接创建一个array.

arr1=np.arange(1,10,1) #

arr2=np.linspace(1,10,10)

print arr1,arr1.dtype

print arr2,arr2.dtype

[1 2 3 4 5 6 7 8 9] int32

[ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.] float64

np.arange(a,b,c)表示产生从a-b不包括b,间隔为c的一个array,数据类型默认是int32。但是linspace(a,b,c)表示的是把a-b平均分成c分,它包括b。

有时候我们需要对于每一个元素的坐标进行赋予不同的数值,可以使用fromfunction函数

def fun(i):

return i%4+2

np.fromfunction(fun,(10,))

array([ 2., 3., 4., 5., 2., 3., 4., 5., 2., 3.])

fromfunction必须支持多维数组,所以他的第二个参数必须是一个tuple,只能是(10,),(10)是错误的。

def fun2(i,j):

return (i+1)*(j+1)

np.fromfunction(fun2,(9,9))

array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],

[ 2., 4., 6., 8., 10., 12., 14., 16., 18.],

[ 3., 6., 9., 12., 15., 18., 21., 24., 27.],

[ 4., 8., 12., 16., 20., 24., 28., 32., 36.],

[ 5., 10., 15., 20., 25., 30., 35., 40., 45.],

[ 6., 12., 18., 24., 30., 36., 42., 48., 54.],

[ 7., 14., 21., 28., 35., 42., 49., 56., 63.],

[ 8., 16., 24., 32., 40., 48., 56., 64., 72.],

[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])

虽然说,这里提供了很多的直接产生array的方式,但是大部分情况我们都是会从list进行转换,因为在实际的处理中,我们需要从txt加载文件,那样直接读入的数据显示存放到list中,需要处理的时候我们转换到array,因为

array的设计更加符合我们的使用,涉及到矩阵的运算在使用mat,那么list主要就是用进行元素的索取。

def loaddataSet(fileName):

file=open(fileName)

dataMat=[] //

for line in file.readlines():

curLine=line.strip().split('\t')

floatLine=map(float,curLine)//这里使用的是map函数直接把数据转化成为float类型

dataMat.append(floatLine)

return dataMat

上面的韩顺返回最终的数据就是最初的list数据集,再根据不同的处理需求是转化到array还是mat。其实array是mat的父类,能用mat的地方,array理论上都能传入。

元素访问:

arr[5] #5

arr[3:5] #array([3, 4])

arr[:5] #array([0, 1, 2, 3, 4])

arr[:-1]# array([0, 1, 2, 3, 4, 5, 6, 7, 8])

arr[:] #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

arr[2:4]=100 # array([ 0, 1, 100, 100, 4, 5, 6, 7, 8, 9])

arr[1:-1:2] #array([ 1, 100, 5, 7]) 2 是间隔

arr[::-1] #array([ 9, 8, 7, 6, 5, 4, 100, 100, 1, 0])

arr[5:2:-1]# -1的间隔表示从右向左所以5>2 #array([ 5, 4, 100])

上面是array的一维数组的访问方式,我们再来看看二维的处理方式

print c[1:2]# c[1:2].shape-->(1L, 3L)

print c[1:2][0] # shape-->(3L,)

[[4 4 5]]

[4 4 5]

[python] view plain copy

print c[1]

print c[1:2]

[4 4 5]

[[4 4 5]]

[python] view plain copy

print c[1][2]

print c[1:4]

print c[1:4][0][2]

5

[[ 4 4 5]

[100 100 100]

[100 100 100]]

5

可以看出对于有:的表达最终的结果外面还嵌套一层list的[],。访问的一定要注意,python最bug的就是,语法

灵活,不管怎样写索引语法都是正确的,但是最终的书结果却让你大跌眼镜。

还有array的索引最终产生的是一个一个原始数据的浅拷贝,还和原来的数据共用一块儿内存

b=arr[1:6]

b[:3]=0

arr #

array([0, 0, 0, 0, 4, 5, 6, 7, 8, 9])

产生上面的原因是因为array中直接存放的数据,拷贝的话直接拿走的是pointer,没有取走数据,但是list却会直接发生深拷贝,数据指针全部带走

list1=list(c)

list1[1]=0

list1 #上面修改的0并没有被改变

[array([1, 2, 3]), 0, array([100, 100, 100]), array([100, 100, 100])]

除了这些之外还有自己的更加牛掰的方式(只能用array)

1)使用布尔数组.感觉甚是强大,就不要自己写什么判断语句啦,注意这种方式得到结果不和原始数组共享空间。布尔索引仅仅适用于数组array,list没资格用。布尔索引最终得到下标索引为true的数据。索引只能是布尔数组

a=np.array(a*2)

a>5

a[a>5] #

array([16, 32, 48, 64, 80, 16, 32, 48, 64, 80])

2)列表索引

列表索引可以是数组和list。返回的数据不和原来的数据共享内存。索引可以是list和array

x=np.arange(10)

index=[1,2,3,4,5]

arr_index=np.array(index)

print x

print x[index] # list索引

print x[arr_index] # array索引

[0 1 2 3 4 5 6 7 8 9]

[1 2 3 4 5]

[1 2 3 4 5]

array和list区别*2

a=np.arange(10)

lista=list(a)

print a*2

print lista*2

[ 0 2 4 6 8 10 12 14 16 18]

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

array的广播

a = np.arange(0, 60, 10).reshape(-1, 1)

b = np.arange(0, 5)

print a

print b

[[ 0]

[10]

[20]

[30]

[40]

[50]]

[0 1 2 3 4]

print np.add(a,b,c)

[[ 0 1 2 3 4]

[10 11 12 13 14]

[20 21 22 23 24]

[30 31 32 33 34]

[40 41 42 43 44]

[50 51 52 53 54]]

总结

以上所述是小编给大家介绍的python 中的list和array的不同之处及转换问题,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对我们网站的支持!

本文标题: python 中的list和array的不同之处及转换问题

本文地址: http://www.cppcns.com/jiaoben/python/234152.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值