使用ndarray而不是python数组的原因是什么

Question

我用一些迭代来构建一个类。数据以数组形式显示，不使用numpy对象。在我的代码中，我经常使用.append来创建另一个数组。在某个时候，我把一个大数组1000x2000改为数字阵列. 现在我有一个又一个错误。我开始将所有数组转换成ndarray，但是像.append这样的注释不再起作用。我开始在指向行、列或单元格时遇到问题。必须重新生成所有代码。在

我试图用谷歌搜索一个问题的答案：“与普通数组相比，使用ndarray有什么好处？我找不到一个合理的答案。”。你能写下我什么时候开始使用ndarray吗？如果在你的练习中你是同时使用它们还是只坚持一个。在

很抱歉，如果这个问题是一个初学者的水平，但我是新的python，只是尝试从Matlab和想了解什么是利弊。谢谢

Answer 1

array.array可以动态更改大小。如果您从某个源收集数据，最好使用array.array。但是array.array只是一维的，没有计算函数来处理它。所以，当你想用你的数据做一些计算时，把它转换成numpy.ndarray，并在numpy中使用函数。在

numpy.frombuffer可以创建一个与array.array对象共享同一数据缓冲区的{}，因为它不需要复制数据，所以速度很快。在

下面是一个演示：

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)

Answer 2

使用NumPy数组至少有两个主要原因：

• NumPy数组需要比Python列表更少的空间。因此，在NumPy数组（内存中）中可以处理比Python列表更多的数据。在
• NumPy数组有大量的函数和方法不可用 到Python列表或Python数组。在

是的，您不能简单地将列表转换为NumPy数组并期望代码继续工作。方法不同，布尔语义不同。为了获得最佳性能，甚至可能需要更改算法。在

但是，如果您正在寻找一个Python替代Matlab，您肯定会找到NumPy的用途。值得学习。在

Answer 3

NumPy和Python数组共享高效存储在内存中的特性。在

NumPy数组可以加在一起，乘以一个数，你可以计算，比方说，在一个函数调用中它们所有值的正弦值，等等。正如HYRY指出的，它们也可以有多个维度。对于Python数组，不能这样做。在

另一方面，Python数组确实可以附加到。注意，NumPy数组可以连接在一起（hstack()，vstack()，…）。也就是说，NumPy数组通常意味着有固定数量的元素。在

通常，首先迭代地构建一个值列表（或Python数组），然后将其转换为NumPy数组（使用numpy.array()，或者更有效地使用numpy.frombuffer()，正如HYRY所提到的）：这使得对数组（或矩阵）的数学运算非常方便地执行（复杂操作的简单语法）。或者，numpy.fromiter()可用于从迭代器构造数组。或者loadtxt()从文本文件构造它。在