使用ndarray而不是Python数组的原因是什么
我创建了一个类，用来处理一些即将到来的数据。这些数据是以数组的形式存在的，没有使用numpy这个库。在我的代码中，我经常使用.append来创建另一个数组。后来，我把一个大的数组从1000x2000的格式改成了numpy.array。结果我开始遇到一个接一个的错误。我尝试把所有的数组都转换成ndarray，但像.append这样的用法就不再有效了。我开始在处理行、列或单元格时遇到问题，结果不得不重写所有的代码。
我试着在网上搜索“使用ndarray相比普通数组有什么好处”，但找不到一个合理的答案。你能告诉我什么时候应该开始使用ndarray吗？在你的实践中，你是同时使用这两种数组，还是只用其中一种呢？
抱歉如果这个问题显得有些初级，但我刚接触python，之前用的是Matlab，想了解一下这两者的优缺点。谢谢！
4 个回答
array.array 可以动态改变大小。如果你需要从某个地方收集数据，使用 array.array 会更好。不过，array.array 只有一维，并且没有可以进行计算的函数。所以，当你想对数据进行一些计算时，最好把它转换成 numpy.ndarray，然后使用 numpy 中的函数。
numpy.frombuffer 可以创建一个与 array.array 对象共享同一数据缓冲区的 numpy.ndarray，这样做很快，因为它不需要复制数据。
下面是一个示例：
import numpy as np
import array
import random
a = array.array("d")
# a for loop that collects 10 channels data
for x in range(100):
a.extend([random.random() for _ in xrange(10)])
# create a ndarray that share the same data buffer with array a, and reshape it to 2D
na = np.frombuffer(a, dtype=float).reshape(-1, 10)
# call some numpy function to do the calculation
np.sum(na, axis=0)
使用NumPy数组主要有两个好处：
- NumPy数组占用的空间比Python列表少。所以你可以在NumPy数组中处理比Python列表更多的数据（在内存中）。
- NumPy数组有很多函数和方法，这些是Python列表或Python数组所没有的。
不过，你不能简单地把列表转换成NumPy数组，然后就指望你的代码还能正常运行。因为它们的方法不同，布尔值的处理方式也不同。为了获得最佳性能，甚至可能需要改变算法。
但是，如果你在找Python来替代Matlab，NumPy绝对会派上用场。学会它是很有价值的。
NumPy和Python数组都有一个共同点，就是它们在内存中存储得很高效。
NumPy数组可以进行加法、乘法，你可以一次性计算它们所有值的正弦，比如说，等等。正如HYRY提到的，NumPy数组还可以有多个维度，而Python数组就做不到这一点。
另一方面，Python数组确实可以添加新的元素。不过，NumPy数组也可以通过一些方法连接在一起，比如用hstack()和vstack()等。不过，通常来说，NumPy数组的元素数量是固定的。
通常，我们会先创建一个值的列表（或者Python数组），然后再把它转换成NumPy数组（可以用numpy.array()，或者更高效的方式是用numpy.frombuffer()，正如HYRY提到的）：这样可以很方便地对数组（或矩阵）进行数学运算（用简单的语法来处理复杂的操作）。另外，你也可以用numpy.fromiter()从一个迭代器构建数组，或者用loadtxt()从文本文件中构建数组。