python 中的list和array的不同之處及轉(zhuǎn)換問題
python中的list是python的內(nèi)置數(shù)據(jù)類型，list中的數(shù)據(jù)類不必相同的，而array的中的類型必須全部相同。在list中的數(shù)據(jù)類型保存的是數(shù)據(jù)的存放的地址，簡(jiǎn)單的說就是指針，并非數(shù)據(jù)，這樣保存一個(gè)list就太麻煩了，例如list1=[1,2,3,'a']需要4個(gè)指針和四個(gè)數(shù)據(jù)，增加了存儲(chǔ)和消耗cpu。
numpy中封裝的array有很強(qiáng)大的功能，里面存放的都是相同的數(shù)據(jù)類型
list1=[1,2,3,'a'] print list1 a=np.array([1,2,3,4,5]) b=np.array([[1,2,3],[4,5,6]]) c=list(a) # array到list的轉(zhuǎn)換 print a,np.shape(a) print b,np.shape(b) print c,np.shape(c)
運(yùn)行結(jié)果：
[1, 2, 3, 'a'] # 元素?cái)?shù)據(jù)類型不同，并且用逗號(hào)隔開 [1 2 3 4 5] (5L,) # 一維數(shù)組，類型用tuple表示 [[1 2 3] [4 5 6]] (2L, 3L) [1, 2, 3, 4, 5] (5L,)
創(chuàng)建：
array的創(chuàng)建：參數(shù)既可以是list，也可以是元組.使用對(duì)應(yīng)的屬性shape直接得到形狀
a=np.array((1,2,3,4,5))# 參數(shù)是元組 b=np.array([6,7,8,9,0])# 參數(shù)是list c=np.array([[1,2,3],[4,5,6]])# 參數(shù)二維數(shù)組 print a,b, c.shape()
也可以直接改變屬性array的形狀，-1代表的是自己推算。這里并不是T, reshape(())也可以
c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])
c.shape # (3L, 4L)
c.shape=4,-1 //c.reshape((2,-1))
c
<pre style="box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255, 255, 255);">array([[ 1, 2, 3],
[ 4, 4, 5],
[ 6, 7, 7],
[ 8, 9, 10]])
這里的reshape最終相當(dāng)于是一個(gè)淺拷貝，也就是說還是和原來的書c使用相同的內(nèi)存空間
d=c.reshape((2,-1))
d[1:2]=100
c
array([[ 1, 2, 3],
[ 4, 4, 5],
[100, 100, 100],
[100, 100, 100]])
前面在創(chuàng)建數(shù)組的時(shí)候并沒有使用數(shù)據(jù)類型，這里我們也可以使用數(shù)據(jù)類型。默認(rèn)的是int32.
a1=np.array([[1,2,3],[4,5,6]],dtype=np.float64) print a1.dtype,a.dtype #float64 int32<pre style="margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255, 255, 255);">
前面在創(chuàng)建的時(shí)候我們都是使用的np.array()方法從tuple或者list轉(zhuǎn)換成為array，感覺很是費(fèi)勁，numpy自己提供了很多的方法讓我們自己直接創(chuàng)建一個(gè)array.
arr1=np.arange(1,10,1) # arr2=np.linspace(1,10,10) print arr1,arr1.dtype print arr2,arr2.dtype [1 2 3 4 5 6 7 8 9] int32 [ 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.] float64
np.arange(a,b,c)表示產(chǎn)生從a-b不包括b，間隔為c的一個(gè)array，數(shù)據(jù)類型默認(rèn)是int32。但是linspace(a,b,c)表示的是把a(bǔ)-b平均分成c分，它包括b。
有時(shí)候我們需要對(duì)于每一個(gè)元素的坐標(biāo)進(jìn)行賦予不同的數(shù)值，可以使用fromfunction函數(shù)
def fun(i): return i%4+2 np.fromfunction(fun,(10,)) array([ 2., 3., 4., 5., 2., 3., 4., 5., 2., 3.])
fromfunction必須支持多維數(shù)組，所以他的第二個(gè)參數(shù)必須是一個(gè)tuple，只能是(10,),(10)是錯(cuò)誤的。
def fun2(i,j):
return (i+1)*(j+1)
np.fromfunction(fun2,(9,9))
array([[ 1., 2., 3., 4., 5., 6., 7., 8., 9.],
[ 2., 4., 6., 8., 10., 12., 14., 16., 18.],
[ 3., 6., 9., 12., 15., 18., 21., 24., 27.],
[ 4., 8., 12., 16., 20., 24., 28., 32., 36.],
[ 5., 10., 15., 20., 25., 30., 35., 40., 45.],
[ 6., 12., 18., 24., 30., 36., 42., 48., 54.],
[ 7., 14., 21., 28., 35., 42., 49., 56., 63.],
[ 8., 16., 24., 32., 40., 48., 56., 64., 72.],
[ 9., 18., 27., 36., 45., 54., 63., 72., 81.]])
雖然說，這里提供了很多的直接產(chǎn)生array的方式，但是大部分情況我們都是會(huì)從list進(jìn)行轉(zhuǎn)換，因?yàn)樵趯?shí)際的處理中，我們需要從txt加載文件，那樣直接讀入的數(shù)據(jù)顯示存放到list中，需要處理的時(shí)候我們轉(zhuǎn)換到array,因?yàn)?br /> array的設(shè)計(jì)更加符合我們的使用，涉及到矩陣的運(yùn)算在使用mat，那么list主要就是用進(jìn)行元素的索取。
def loaddataSet(fileName):
file=open(fileName)
dataMat=[] //
for line in file.readlines():
curLine=line.strip().split('\t')
floatLine=map(float,curLine)//這里使用的是map函數(shù)直接把數(shù)據(jù)轉(zhuǎn)化成為float類型
dataMat.append(floatLine)
return dataMat
上面的韓順返回最終的數(shù)據(jù)就是最初的list數(shù)據(jù)集，再根據(jù)不同的處理需求是轉(zhuǎn)化到array還是mat。其實(shí)array是mat的父類，能用mat的地方，array理論上都能傳入。
元素訪問：
arr[5] #5 arr[3:5] #array([3, 4]) arr[:5] #array([0, 1, 2, 3, 4]) arr[:-1]# array([0, 1, 2, 3, 4, 5, 6, 7, 8]) arr[:] #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) arr[2:4]=100 # array([ 0, 1, 100, 100, 4, 5, 6, 7, 8, 9]) arr[1:-1:2] #array([ 1, 100, 5, 7]) 2 是間隔 arr[::-1] #array([ 9, 8, 7, 6, 5, 4, 100, 100, 1, 0]) arr[5:2:-1]# -1的間隔表示從右向左所以5>2 #array([ 5, 4, 100])
上面是array的一維數(shù)組的訪問方式，我們?cè)賮砜纯炊S的處理方式
print c[1:2]# c[1:2].shape-->(1L, 3L) print c[1:2][0] # shape-->(3L,) [[4 4 5]] [4 4 5] [python] view plain copy print c[1] print c[1:2] [4 4 5] [[4 4 5]] [python] view plain copy print c[1][2] print c[1:4] print c[1:4][0][2] 5 [[ 4 4 5] [100 100 100] [100 100 100]] 5
可以看出對(duì)于有:的表達(dá)最終的結(jié)果外面還嵌套一層list的[]，。訪問的一定要注意，python最bug的就是，語法
靈活，不管怎樣寫索引語法都是正確的，但是最終的書結(jié)果卻讓你大跌眼鏡。
還有array的索引最終產(chǎn)生的是一個(gè)一個(gè)原始數(shù)據(jù)的淺拷貝，還和原來的數(shù)據(jù)共用一塊兒內(nèi)存
b=arr[1:6] b[:3]=0 arr #<pre style="box-sizing: border-box; overflow: auto; font-size: 14px; padding: 0px; margin-top: 0px; margin-bottom: 0px; line-height: 17.0001px; word-break: break-all; word-wrap: break-word; border: 0px; border-radius: 0px; white-space: pre-wrap; vertical-align: baseline; background-color: rgb(255, 255, 255);">array([0, 0, 0, 0, 4, 5, 6, 7, 8, 9])
產(chǎn)生上面的原因是因?yàn)閍rray中直接存放的數(shù)據(jù)，拷貝的話直接拿走的是pointer，沒有取走數(shù)據(jù)，但是list卻會(huì)直接發(fā)生深拷貝，數(shù)據(jù)指針全部帶走
list1=list(c) list1[1]=0 list1 #上面修改的0并沒有被改變 [array([1, 2, 3]), 0, array([100, 100, 100]), array([100, 100, 100])]
除了這些之外還有自己的更加牛掰的方式（只能用array)
1）使用布爾數(shù)組.感覺甚是強(qiáng)大，就不要自己寫什么判斷語句啦，注意這種方式得到結(jié)果不和原始數(shù)組共享空間。布爾索引僅僅適用于數(shù)組array，list沒資格用。布爾索引最終得到下標(biāo)索引為true的數(shù)據(jù)。索引只能是布爾數(shù)組
a=np.array(a*2) a>5 a[a>5] # array([16, 32, 48, 64, 80, 16, 32, 48, 64, 80])
2)列表索引
列表索引可以是數(shù)組和list。返回的數(shù)據(jù)不和原來的數(shù)據(jù)共享內(nèi)存。索引可以是list和array
x=np.arange(10) index=[1,2,3,4,5] arr_index=np.array(index) print x print x[index] # list索引 print x[arr_index] # array索引 [0 1 2 3 4 5 6 7 8 9] [1 2 3 4 5] [1 2 3 4 5]
array和list區(qū)別*2
a=np.arange(10) lista=list(a) print a*2 print lista*2 [ 0 2 4 6 8 10 12 14 16 18] [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
array的廣播
a = np.arange(0, 60, 10).reshape(-1, 1) b = np.arange(0, 5) print a print b [[ 0] [10] [20] [30] [40] [50]] [0 1 2 3 4] print np.add(a,b,c) [[ 0 1 2 3 4] [10 11 12 13 14] [20 21 22 23 24] [30 31 32 33 34] [40 41 42 43 44] [50 51 52 53 54]]
總結(jié)
以上所述是小編給大家介紹的python 中的list和array的不同之處及轉(zhuǎn)換問題，希望對(duì)大家有所幫助，如果大家有任何疑問請(qǐng)給我留言，小編會(huì)及時(shí)回復(fù)大家的。在此也非常感謝大家對(duì)腳本之家網(wǎng)站的支持！
相關(guān)文章
雙十一即將到來，電商都在做活動(dòng)打折，但打完折是不是真的優(yōu)惠了，需要我們自己斟酌，畢竟我們不能一直關(guān)注著價(jià)格，也自然不能知道現(xiàn)在的價(jià)格比以前高了還是低了，今天讓我們用Python來爬取一下淘寶吧2021-11-11
Python實(shí)現(xiàn)霍夫圓和橢圓變換代碼詳解
這篇文章主要介紹了Python實(shí)現(xiàn)霍夫圓和橢圓變換代碼詳解，具有一定借鑒價(jià)值,需要的朋友可以參考下2018-01-01
這篇文章主要為大家通過兩個(gè)示例詳細(xì)介紹一下如何使用Python提取PPT文檔中的圖片,文中的示例代碼講解詳細(xì),有需要的小伙伴可以參考一下2024-10-10
Python文件操作指南解鎖三個(gè)txt文件合并技術(shù)
本文將深入介紹如何利用Python編寫腳本,將三個(gè)文本文件中指定的列數(shù)據(jù)合并成一個(gè)新文件,通過豐富的示例代碼和詳細(xì)解釋,幫助掌握這一實(shí)用而靈活的數(shù)據(jù)處理技巧2024-01-01
Python實(shí)現(xiàn)找出數(shù)組中第2大數(shù)字的方法示例
這篇文章主要介紹了Python實(shí)現(xiàn)找出數(shù)組中第2大數(shù)字的方法,涉及Python針對(duì)數(shù)組的排序、遍歷等相關(guān)操作技巧,需要的朋友可以參考下2018-03-03
Python?hashlib模塊與subprocess模塊使用詳細(xì)介紹
這篇文章主要介紹了Python?hashlib模塊與subprocess模塊使用，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)吧2022-10-10
階乘是基斯頓·卡曼于 1808 年發(fā)明的運(yùn)算符號(hào),是數(shù)學(xué)術(shù)語,一個(gè)正整數(shù)的階乘（factorial）是所有小于及等于該數(shù)的正整數(shù)的積,并且0的階乘為1,本文給大家介紹了python實(shí)現(xiàn)階乘的三種方法,通過代碼示例介紹的非常詳細(xì),需要的朋友可以參考下2023-12-12
簡(jiǎn)單了解Python讀取大文件代碼實(shí)例
這篇文章主要介紹了簡(jiǎn)單了解Python讀取大文件代碼實(shí)例,文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-12-12
我們?cè)谶@篇文章中給大家詳細(xì)整理了python安裝twisted時(shí)遇到的問題以及解決方法，有需要的朋友們參考下。2018-08-08
這篇文章主要介紹了Python裝飾器詳細(xì)講解,包括裝飾器的功能及實(shí)現(xiàn)方法，通過實(shí)例代碼給大家介紹的非常詳細(xì)，需要的朋友可以參考下2022-03-03