Python numpy中的ndarray如何理解

这期内容当中小编将会给大家带来有关Python numpy中的ndarray如何理解，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

numpy 模块知识：

• numpy 模块是一个开源的第三方Python库，常用于科学和工程领域，是科学Python和PyData 生态系统的核心。

• numpy 模块易学易用的特点，基本上覆盖了初学者到先进科学研究员的所有人群。

• numpy 模块除了在matplotlib上应用，它还在Pandas、Scipy、scikit-learn等科学Python中。

• numpy 模块也包含多维数组和矩阵数据结构，它专门提供了具有n维数组对象的ndarray,以及对其进行有效操作的方法。

• numpy 模块也可用于对数组执行各种数学运算，提供高级数学函数库，以及数组和矩阵的操作。

众所周知，numpy 模块中数组对象是其核心功能，下面我们重点来学习numpy 数组相关内容。

1. 什么是 ndarray？

ndarray 概念

数组是numpy 模块核心数据结构。数组是值的网络，它的内部包含有原始数据、如何定义元素以及如何解释元素的信息。我们可以使用各种方式索引元素网格。

ndarray 是 numpy 模块中定义 n维数组类型。ndarray 可以描述同种类型project的集合。

• 同种数据类型：numpy 数组中的所有元素都是同种类类型，如int32，float64等

• 同大小内存空间：每个project占用相同大小内存块

• 同方式解释：每个project由object数据类型指定，，其中一个与每个数组相关联

• 可以N个整数对project进行索引

ndarray 内部关系

从数组中我们可以提取python对象表示的如索引是numpy 内置数组标量类型之一，我们可以通过使用数组标量来轻松操作复杂的数据排列。

通过以上ndarray 内部结构，我们可以看到 ndarray 主要由 dtype、shape、stride组成

• ndarray 指向内存映射地址的指针-data对象

• ndarray 元素解释形象-dtype对象

• ndarray 每个维度的元素之间的间隔-strides对象（tuple）

• ndarray 对每个维度的数量和大小的描述-shape对象（tuple）

以上四个python对象就可以在ndarray 中通过索引的方式找到指定位置的数据。

同时我们也调用np.array().flags 获取字节序、读写权限等信息，可知ndarray 底层是C和Fortran 实现的。

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

2. ndarray 内存结构

ndarray 内存结构

我们通过numpy.array 方法创建一个2维数组

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)

通过array对象调用ndarray 标量对象，可以获知ndarray 维度大小、元素类型、间隔等信息

通过上述图，我们可以知道 ndarray 内存主要划分为两部分：

• raw data： 计算机一段连续的block，存储在C或者Fortran中的数组

• metdata：有关原始数组数据的信息

3. ndarray vs list

ndarray 特点

• ndarray 要求所有数据都是同种类型的

• 每个数据占用空间一样

• 数组中存储的数据是一段连续的空间

list 特点

• 可以容纳不同数据类型

• list 中只存放对象的引用，再通过引用找到具体的对象

• 对象的物理地址并不是连续的

所以，综上所述，ndarray 查找数据运行效率比list快，同时ndarray 存储的数据是连续的一段空间，对比list 对象物理地址分散的，ndarray 比 list 更省空间。

上述就是小编为大家分享的Python numpy中的ndarray如何理解了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。