python中numpy array与list的区别 & numpy的应用 & numpy的基本使用

numpy是一个多维数组库，意味着你可以使用它存储各种数据：一维数组、二维数组、三维数组、四维数组等。

numpy array与list的区别

最主要的区别在于速度

列表速度很慢，而numpy速度很快。
一个原因是numpy使用固定类型，例如在我们创建numpy一个3×4的整数矩阵时，numpy中的元素我们根据我们的需要可以设置为int32、int16、int8，以节约内存。

import numpy as np
a = np.array([1, 2, 3], dtype = 'int8' )
a #运行结果：array([1, 2, 3], dtype=int8)

若在列表中存储，列表使用python的内置int类型（包括Size、Reference Count、Object Type、Object Value），它需要比numpy更多的空间。
numpy使用较少的内存字节，而计算机可以更快地读取较少的字节，而且计算机不用迭代地检查numpy中数组的元素类型。
另一个原因是numpy利用了连续内存，第一个好处是而列表的数据分散在我们计算机内存信息中。

总结：
一个numpy array 是内存中一个连续块，并且array里的元素都是同一类（例如整数）。所以一旦确定了一个array，它的内存就确定了，那么每个元素（整数）的内存大小都确定了。
list完全不同，它的每个元素其实是一个地址的引用，这个地址又指向了另一个元素，这些元素的在内存里不一定是连续的。所以list其实是只能塞进地址的“数组”，而且由于地址不用连续，每当我想加入新元素，我只用把这个元素的地址添加进list。
list中的数据类型不必相同的，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。）

其他区别

在列表和numpy中，我们可以执行插入、删除、添加、结合等操作，但是numpy实现的操作比列表多。
例如，矩阵的点乘操作：

#list
a=[1,3,5];b=[2,4,6]
a*b #报错

#numpy
a=np.array([1,3,5]);b=np.array([2,4,6])
a*b # array([ 2, 12, 30])

二者相互转换

#a为python的list类型
#将a转化为numpy的array:  
np.array(a)

#将a转化为python的list
a.tolist()

numpy的应用？

1.数学运算

可以使用numpy进行各种数学运算，代替MATLAB。

2.画图

画图（使用matplotlib）

3.后端

可以作为pandas、connect 4等的后端

4.机器学习

完成一些机器学习的工作

numpy的基本语句

import numpy as np
# The Basis
a= np.array([1,2,3], dtype='int32')
print(a) #运行结果：[1 2 3]

# b = np.array([9.0, 8.0, 7.0],[6.0, 5.0, 4.0]) 是错的 必须在前面在+一层[]
b = np.array([[9.0, 8.0, 7.0],[6.0, 5.0, 4.0]])
print(b) #运行结果：[[9. 8. 7.]
 					[6. 5. 4.]]

# GET Dimension
print(a.ndim) #运行结果：1
# GET Shape
print(a.shape) #运行结果：(3,)
print(b.shape) #运行结果：(2, 3)
# GET Type
print(a.dtype) #运行结果：int32
#Total size
b.size #运行结果：6

# Accessing/Changing specific elements, rows, columns, etc
a= np.array([[1,2,3,4,5,6,7],[8,9,10,11,12,13,14]])
a #运行结果：array([[ 1,  2,  3,  4,  5,  6,  7],
		       [ 8,  9, 10, 11, 12, 13, 14]])
# Get a specific element [r,c]
a[1,-2] #运行结果：13

# initializing different types of arrays
np.zeros((2,3)) #全0数组
np.ones((4,2,2), dtype='int32') #全1数组
np.full((2,2),99) #2*2的每个元素均是99的数组

#Random decimal numbers
np.random.rand(4,2) #生成0~1之间的随机数填充4*2数组
# Random Integer values
np.random.randint(80,100,size=(3,3)) #生成80~100之间的随机整数填充3*3数组

# 生成不重复数字是数组
import random
total = 100
li = [i for i in range(total)]
res = []
num = 20
for i in range(num):
    t=random.randint(i,total-1)
    res.append(li[t])
    li[t],li[i]=li[i],li[t]
print(res)

# 生成单位矩阵
np.identity(5)

arr= np.array([[1,2,3]])
r1=np.repeat(arr,3,axis=0)
r1

Be careful when copying arrays!!（在复制数组时要注意！）

a=np.array([1,2,3,4])
print(a+2) #[3 4 5 6]
print(a*2) #[2 4 6 8]

#Linear Algebra
a=np.ones((2,3))
print(a)
b=np.full((3,2),2)
print(b)
np.matmul(a,b)
# Find the determinant
c=np.identity(3)
np.linalg.det(c)

# Statistics
stats= np.array([[1,2,3],[4,5,6]])
print(stats)
print(np.min(stats))
print(np.max(stats,axis=1))

#Reorganizing Arrays
before = np.array([[1,2,3,4],[5,6,7,8]])
print(before)

after = before.reshape((2,2,2))
print(after)

# Vertically stacking vectors
v1 = np.array([1,2,3,4])
v2 = np.array([5,6,7,8])
np.vstack([v1,v2,v2,v2])
# Horizontal stack
h1=np.ones((2,4))
h2=np.zeros((2,2))
np.hstack((h1,h2))

#Load data from file
filedata=np.genfromtxt('data.txt',delimiter=',')
filedata.astype('int32')

#Boolean Masking and Advanced Indexing
print(filedata>50)
print(filedata[filedata>50])

参考链接：https://www.bilibili.com/video/BV1sV411t7Gw?from=search&seid=14497464106551140268&spm_id_from=333.337.0.0