极客教程为什么应该使用 NumPy 数组而不是嵌套的 Python 列表？
在本文中，我们将向您展示使用 NumPy 数组而不是嵌套的 Python 列表的原因，以及它们之间的相似之处和区别。
阅读更多：Python 教程
Python NumPy 库
NumPy 是一个专为在 Python 中高效处理数组而设计的 Python 库。它快速，易学，并且存储效率高。它还改善了数据处理的方式。在 NumPy 中，我们可以生成一个 n 维数组。要使用 NumPy，我们只需要将其导入我们的程序，然后我们就可以轻松地在代码中使用 NumPy 的功能。
Python 嵌套列表
Python 列表是元素可变和有序的集合。在 Python 中，列表用方括号表示。
- 嵌套列表可以是同种类或异种类的。
-
列表上不支持按元素进行操作。
-
Python 列表默认是一维的。但是，我们可以创建一个 N 维列表。但它也将是一个存储另一个一维列表的一维列表。
-
列表的元素不必在内存中连续。
-
Python 列表是通用容器，可用于插入、添加、删除和连接数据。
-
列表有两个缺点：它们不能启用“向量化”操作，例如按元素进行加法和乘法，并且因为它们可以包含不同类型的对象，所以 Python 必须为每个元素存储类型信息，并在处理每个元素时执行类型分派代码。
NumPy 数组
-
NumPy 更高效、更便利，因为它提供了大量的免费向量和矩阵操作，减少了工作量和代码复杂性。与嵌套循环相比，Numpy 也更有效率。
-
NumPy 数组更快，包括更多内置函数，用于执行 FFT、卷积、快速搜索、线性代数、基本统计、直方图和其他任务。
-
NumPy 数组允许对大量数据进行复杂的数学和其他操作。
-
该数组默认为同类数组，这意味着数组中的所有数据必须是相同的数据类型。（请注意，也可以在 Python 中创建类似的结构化数组。）
-
逐元素操作是可行的。
-
Numpy 数组包括各种函数、方法和变量，帮助我们进行矩阵计算工作。
-
一个数组的元素在内存中被保存在一起。例如，二维数组在所有行中必须具有相同的列数。另一方面，三维数组必须在每张卡上具有相同的行列数。
嵌套列表的表示
示例
# creating a nested list
inputList= [[2, 7, 8], [1, 5, 4]]
# printing nested List
print(inputList)
输出
执行上述程序会生成以下输出-
[[2, 7, 8], [1, 5, 4]]
一维 NumPy 数组的表示
算法步骤
执行所需任务的以下是算法步骤-
- 使用import关键字导入NumPy模块并使用别名(np)。
-
使用NumPy模块的array()函数(返回一个ndarray。ndarray是满足给定要求的数组对象)创建一维NumPy数组。
-
打印一维数组。
#使用别名导入numpy模块
import numpy as np
# 创建一维numpy数组
inputArray = np.array([12, 4, 8, 6])
# 打印一维数组
print(inputArray)
输出：
执行上面程序后，将输出以下内容：
[12 4 8 6]
多维Numpy数组的表示
- 使用import关键字导入NumPy模块并使用别名(np)。
-
使用NumPy模块的array()函数(返回一个ndarray。ndarray是满足给定要求的数组对象)创建多维NumPy数组。
-
打印多维数组。
#使用别名导入numpy模块
import numpy as np
# 创建多维numpy数组
inputArray = np.array([(2, 7, 8), (1, 5, 4)])
# 打印多维数组
print(inputArray)
输出：
执行上面程序后，将输出以下内容：
[[2 7 8]
[1 5 4]]
使用Numpy数组的优势
- 占用更少的内存。
-
比Python列表快。
-
易于使用。
列表和数组的相似之处
-
它们都使用方括号([])。
-
数组和列表都是可变的(两者的元素都可以修改)。
-
NumPy数组和列表都可以被索引和用于切片。
Numpy数组与Python列表的区别
| Numpy数组 | Python列表 |
|---|---|
| 数组可以直接处理数学操作 | 不能直接进行数学操作。 |
| 比列表占用更少的内存 | 占用更多内存 |
| 数组比列表快 | 列表相对较慢。 |
| 数组修改比较复杂 | 更容易修改 |
| 数组不能包含不同的数据大小 | 列表可以包含几种不同的嵌套数据大小。 |
| 数组不能存储不同的数据类型 | 列表可以存储不同的数据类型 |
Numpy数组和Python列表的比较
内存消耗
# 导入别名为np的numpy模块
import numpy as np
# 导入系统模块
import sys
# 创建嵌套列表
inputList= [[2, 7, 8], [1, 5, 4]]
# 打印列表中每个项的大小（bytes）
print("列表中每个项的大小（bytes）= ",sys.getsizeof(inputList))
# 打印整个列表的大小（bytes）
print("整个列表的大小（bytes）= ",sys.getsizeof(inputList)*len(inputList))
# 创建由相同元素组成的Numpy数组
inputArray= np.array([(2, 7, 8), (1, 5, 4)])
# 打印Numpy数组中每个元素的大小（bytes）
print("Numpy数组中每个元素的大小（bytes）= ",inputArray.itemsize)
# 打印整个Numpy数组的大小（bytes）
print("整个Numpy数组的大小（bytes）= ", inputArray.size*inputArray.itemsize)
输出
运行以上程序将会输出如下所示的结果 −
列表中每个项的大小（bytes）= 88
整个列表的大小（bytes）= 176
Numpy数组中每个元素的大小（bytes）= 8
整个Numpy数组的大小（bytes）= 48
我们可以观察到，嵌套列表比numpy数组消耗了更多的内存。
结论
在本文中，我们了解了为什么在Python中NumPy数组比嵌套列表更有用。我们使用一个例子来证明NumPy数组在内存效率上比嵌套列表更优。