Python ndarray数组 与 list列表区别
ndarray数组 与 list列表
数组（ndarray）与列表 ( list ) 类似，是具有相同类型的多个元素构成的整体。
数组局限：
数组元素要求是相同类型，而列表的元素可以是不同类型。
数组优势：
-
数组可以与标量进行运算，数组之间也可以进行矢量化运算。
-
数组在运算时，具有广播能力。
-
数组底层使用C程序编写，运算速度快。
-
数组底层使用C中数组的存储方式（紧凑存储），节省内存空间。
应用对比
# 数组的局限性，每个元素必须是相同的类型，python中的列表，每个元素都可以是不同类型
a = np.array([1,2,"ddd"]) # 都存储成字符类型
a = np.array([1,2,1.2]) # 将三个元素都存储成float类型
数组的优势
优势1
- 数组可以与标量进行运算，数组之间也可以进行矢量化运算。
代码举例：python中的列表，给列表中的每个元素+100，给数组中的每个元素+100，分别list和array都是如何操作
li=[1,2,3]
for i in range(len(li)):
li[i]=li[i]+100
array 的操作 100标量 a是数组（矢量），操作的时候，会使用矢量中的每个元素跟标量进行运算。
a = np.arange(1,4)
a + 100
多个元素的矢量可以标量进行操作，通过【广播】来进行完成的
广播：为了进行对位运算，而尽量将两个数组中的一个数组（也可能是标量），扩展成跟另外一个数组相同的维度。
数组跟其他矢量进行运算，也可以通过广播来进行。
维度相同（可以进行直接的对位运算）
a = np.arange(1,4)
b = np.arange(10,40,10)
a+b # 进行对位运算
# result
array([11, 22, 33])
维度如果不同，也可以通过广播，来尽量匹配成对位的模式，来进行运算
# 维度不同的情况下，最低维度的个数相同即可。
a=np.arange(1,4)
b=np.array([[10,20,30],[100,200,300]])
a + b
# result
array([[ 11, 22, 33],
[101, 202, 303]])
不是所有的情况，在任何场景下都能进行广播来进行矢量化运算 。要对位相同才行。
d = np.array([1,2])
b = np.array([[2,3,4],[5,6,7]])
a + b # 会报错
数组底层使用C程序编写，运算速度快，使用对列表进行循环的方式来创建新列表
优势2
-
数组底层使用C中数组的存储方式（紧凑存储），节省内存空间。
-
数据结构" 数组 "存储多个元素时，使用的最广泛一种数据结构
-
数组存储特点：连续空间上存储元素
-
优点：数组的随机访问性特别好。
-
验证内存：ndarray占用的内存要比列表少