写点什么

Numpy 基础教程之 Numpy 的介绍

作者:向阳逐梦
  • 2022-10-30
    四川
  • 本文字数:2309 字

    阅读完需:约 8 分钟

1. 多维数组介绍

Numpy(Numerical Python 的简称),是 Python 数值计算最重要的基础包之一,大多数提供科学计算的包都以 Numpy 的 ndarray(多维数组)为构建基础。下面我们就通过一些实例来初步了解下 ndarray,要想使用 ndarray,需要导入 numpy 库。ndarray 的创建非常简单,只需要将列表传入到 array() 函数即可。例如:

import numpy as np
my_list = [0, 1, 2, 3, 4, 5, 6]my_arr = np.array(my_list)
print(my_arr)
复制代码

在上面的例子中,首先,导入 numpy 库;其次,创建一个列表并将列表传入到 array() 函数。这样便创建了一个 ndarray my_arr。ndarray 创建完成后,我们可以使用索引的方式对数组中的元素进行访问:

import numpy as np
my_list = [0, 1, 2, 3, 4, 5, 6]my_arr = np.array(my_list)
print(my_arr[0])print(my_arr[-1])print(my_arr[2:4])
复制代码

上面的例子中创建的是一维数组,二维数组的创建方式是一样的,例如:

import numpy as np
my_list = [[0, 1, 2], [3, 4, 5]]my_arr = np.array(my_list)
print(my_arr[0][0])print(my_arr[1][2])
复制代码

上面的代码中,向 array() 函数传入了一个二维列表,这样便得到了一个二维数组。同样的,我们可以通过索引的方式对数组内的元素进行访问。

2. ndarray 的优势

既然 ndarray 和列表这么相似,在已经有了列表的情况下为什么还需要 ndarray 呢?下面我们就来看下,ndarray 相对于列表来说的优势:

2.1 更少的存储空间

我们通过例子来看下 ndarray 和列表占用存储空间的对比:

2.1.1 列表的存储空间

import numpy as npimport sys
my_list1 = [1, 2, 3]
size_of_list_object = sys.getsizeof(my_list1)size_of_elements = len(my_list1) * sys.getsizeof(my_list1[0])total_list_size = size_of_list_object + size_of_elementsprint("Size without the size of the elements: ", size_of_list_object)print("Size of all the elements: ", size_of_elements)print("Total size of list, including elements: ", total_list_size)
my_list2 = [1, 2, 3, 4]size_of_list_object = sys.getsizeof(my_list2)size_of_elements = len(my_list2) * sys.getsizeof(my_list2[0])total_list_size = size_of_list_object + size_of_elementsprint("Size without the size of the elements: ", size_of_list_object)print("Size of all the elements: ", size_of_elements)print("Total size of list, including elements: ", total_list_size)
my_list3 = []print(sys.getsizeof(my_list3))
复制代码

从上述代码的输出,我们可以推断出,列表对象本身(不包含元素)的大小为 56 个字节,每增加一个元素,元素本身的大小为 28 个字节,指向元素的指针大小为 8 个字节。存储的结构如下图所示:

2.1.2 ndarray 的存储空间

import numpy as npimport sys
my_arr1 = np.array([1, 2, 3])
size_of_array_object = sys.getsizeof(my_arr1)size_of_elements = my_arr1.itemsize * my_arr1.sizeprint("Size without the size of the elements: ", size_of_array_object)print("Size of all the elements: ", size_of_elements)
my_arr2 = np.array([1, 2, 3, 4])size_of_array_object = sys.getsizeof(my_arr2)size_of_elements = my_arr2.itemsize * my_arr2.sizeprint("Size without the size of the elements: ", size_of_array_object)print("Size of all the elements: ", size_of_elements)
my_arr3 = np.array([])print(sys.getsizeof(my_arr3))
复制代码

从上述代码的输出,我们可以推断出,ndarray 对象的大小包含了元素在内。不包含任何元素的 ndarray 对象的大小为 96 字节,每增加一个元素,增加 8 个字节。存储的结构如下图所示:

2.2 更快的处理速度

在下面的例子中我们比较两个列表相乘和两个数组相乘的耗时,代码如下:

import timeimport numpy as np
size = 1000000my_list1 = range(size)my_list2 = range(size)
my_arr1 = np.arange(size)my_arr2 = np.arange(size)
begin_list_time = time.time()result_list = [(a * b) for a, b in zip(my_list1, my_list2)]end_list_time = time.time()list_cost_time = end_list_time - begin_list_time
print("Time taken by Lists to perform multiplication:", list_cost_time, "seconds")
begin_arr_time = time.time()result_arr = my_arr1 * my_arr2end_arr_time = time.time()arr_cost_time = end_arr_time - begin_arr_timeprint("Time taken by NumPy Arrays to perform multiplication:", arr_cost_time, "seconds")
print("Numpy in this example is " + str(list_cost_time / arr_cost_time) + "faster!")
复制代码

从输出结果可以看出,两个数组相乘的速度比两个列表相乘的速度快几倍。

2.3 更方便的操作

ndarray 支持元素方式的操作,在进行一些运算时往往会很方便,例如:

import numpy as np
my_list = [1, 2, 3]
my_arr = np.array(my_list)
try: my_list = my_list + 4except(TypeError): print("Lists don't support list + int")

try: my_arr = my_arr + 4 print("Modified Numpy array: ", my_arr)except(TypeError): print("Numpy arrays don't support list + int")
复制代码

从上面例子的输出可以看出,如果想对列表中的每个元素加 4,列表不支持 my_list = my_list + 4 操作,而 ndarray 是支持 my_arr = my_arr + 4 操作的。所以,进行一些运算会非常方便。

3. 总结

相较于 python 中的列表来说,下列选项中哪一项不是 ndarray 的优势?

A. 更少的存储空间。

B. 更快的处理速度。

C. 更方便的操作。

D. ndarray 支持索引操作。

发布于: 刚刚阅读数: 3
用户头像

向阳逐梦

关注

人生享受编程,编程造就人生! 2022-06-01 加入

某公司芯片测试工程师,嵌入式开发工程师,InfoQ签约作者,阿里云星级博主,华为云·云享专家。座右铭:向着太阳,追逐梦想!

评论

发布
暂无评论
Numpy 基础教程之Numpy的介绍_Python_向阳逐梦_InfoQ写作社区