创建数组为什么要使用np.array?直接创建数组不行吗？

虽然使用 Python 列表也可以进行基本的操作，但对于科学计算和大规模数据处理来说，NumPy 数组是更好的选择。

创建数组时使用 np.array 相较于使用 Python 的内置列表或者其他数据结构有几个明显的优势。NumPy (numpy) 是一个强大的科学计算库，专门设计用于处理大型多维数组和矩阵，提供了高效的数学函数来操作这些数组。以下是为什么通常推荐使用 np.array 的一些主要原因：

优势

1. 内存效率：

   • NumPy 数组在内存中是连续存储的，这意味着它们占用的内存空间更紧凑。相比之下，Python 列表中的元素可以是任意类型的对象，因此需要额外的内存开销来存储类型信息和其他元数据。

2. 计算效率：

   • NumPy 数组支持向量化操作，这意味着可以对整个数组进行操作，而不需要显式地遍历数组中的每个元素。这种向量化操作比传统的循环快得多，尤其是在处理大规模数据时。

3. 数学运算：

   • NumPy 提供了大量的数学函数，可以直接应用于数组上的所有元素，如 np.sin, np.cos, np.sum 等。这些函数通常是高度优化的，并且可以在 C 语言级别执行，提供更好的性能。

4. 广播机制：

   • NumPy 支持广播机制，使得不同形状的数组可以进行数学运算。例如，你可以轻松地将一个标量加到一个数组上，或者将两个形状不同的数组进行逐元素运算。

5. 切片和索引：

   • NumPy 提供了更加灵活的切片和索引功能，使得访问数组中的子集变得更加简单和直观。

6. 集成性：

   • 许多其他科学计算库（如 SciPy、Pandas、Matplotlib 等）都基于 NumPy，使用 NumPy 数组作为基本数据结构。这意味着如果你使用这些库，最好一开始就使用 NumPy 数组。

示例对比

下面是一个简单的示例，展示使用 Python 内置列表与 NumPy 数组的区别：

# 使用 Python 列表
data_list = [[3, 1], [2, 5], [1, 8], [6, 4], [5, 2], [3, 5], [4, 7], [4, -1]]

# 对列表中的每个元素进行平方操作
squared_list = [[x**2 for x in row] for row in data_list]
print(squared_list)

import numpy as np

# 使用 NumPy 数组
data_array = np.array([[3, 1], [2, 5], [1, 8], [6, 4], [5, 2], [3, 5], [4, 7], [4, -1]])

# 对数组中的每个元素进行平方操作
squared_array = np.square(data_array)
print(squared_array)

输出示例

使用 Python 列表的输出：

[[9, 1], [4, 25], [1, 64], [36, 16], [25, 4], [9, 25], [16, 49], [16, 1]]

使用 NumPy 数组的输出：

[[ 9  1]
 [ 4 25]
 [ 1 64]
 [36 16]
 [25  4]
 [ 9 25]
 [16 49]
 [16  1]]