python中的list和array的不同之处 2

版权声明：本文为博主非原创文章，未经博主允许可以转载。

Python中的list和array的不同之处

python中的list是python的内置数据类型，list中的数据类不必相同的，而array的中的类型必须全部相同。在list中的数据类型保存的是数据的存放的地址，简单的说就是指针，并非数据，这样保存一个list就太麻烦了，例如list1=[1,2,3,‘a‘]需要4个指针和四个数据，增加了存储和消耗cpu。

numpy中封装的array有很强大的功能，里面存放的都是相同的数据类型

[python] view plain copy print?

  1. list1=[1,2,3,‘a‘]
  2. print list1
  3. a=np.array([1,2,3,4,5])
  4. b=np.array([[1,2,3],[4,5,6]])
  5. c=list(a)   # array到list的转换
  6. print a,np.shape(a)
  7. print b,np.shape(b)
  8. print c,np.shape(c)

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的转换
print a,np.shape(a)
print b,np.shape(b)
print c,np.shape(c)

运行结果：

[python] view plain copy print?

  1. [1, 2, 3, ‘a‘] # 元素数据类型不同，并且用逗号隔开
  2. [1 2 3 4 5] (5L,) # 一维数组，类型用tuple表示
  3. [[1 2 3]
  4. [4 5 6]] (2L, 3L)
  5. [1, 2, 3, 4, 5] (5L,)

[1, 2, 3, ‘a‘] # 元素数据类型不同，并且用逗号隔开
[1 2 3 4 5] (5L,) # 一维数组，类型用tuple表示
[[1 2 3]
 [4 5 6]] (2L, 3L)
[1, 2, 3, 4, 5] (5L,)

创建：

array的创建：参数既可以是list，也可以是元组.使用对应的属性shape直接得到形状

[python] view plain copy print?

  1. a=np.array((1,2,3,4,5))# 参数是元组
  2. b=np.array([6,7,8,9,0])# 参数是list
  3. c=np.array([[1,2,3],[4,5,6]])# 参数二维数组
  4. print a,b,
  5. c.shape()

a=np.array((1,2,3,4,5))# 参数是元组
b=np.array([6,7,8,9,0])# 参数是list
c=np.array([[1,2,3],[4,5,6]])# 参数二维数组
print a,b,
c.shape()

也可以直接改变属性array的形状，-1代表的是自己推算。这里并不是T, reshape(())也可以

[python] view plain copy print?

  1. c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])
  2. c.shape # (3L, 4L)
  3. c.shape=4,-1   //c.reshape((2,-1))
  4. c

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

[python] view plain copy print?

  1. <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; rgb(255, 255, 255);">array([[ 1,  2,  3],
  2. [ 4,  4,  5],
  3. [ 6,  7,  7],
  4. [ 8,  9, 10]])

<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; ">array([[ 1,  2,  3],
       [ 4,  4,  5],
       [ 6,  7,  7],
       [ 8,  9, 10]])
   
   这里的reshape最终相当于是一个浅拷贝，也就是说还是和原来的书c使用相同的内存空间

[python] view plain copy print?

  1. d=c.reshape((2,-1))
  2. d[1:2]=100
  3. c

d=c.reshape((2,-1))
d[1:2]=100
c
array([[  1,   2,   3],
       [  4,   4,   5],
       [100, 100, 100],
       [100, 100, 100]])
   前面在创建数组的时候并没有使用数据类型，这里我们也可以使用数据类型。默认的是int32.

[python] view plain copy print?

  1. a1=np.array([[1,2,3],[4,5,6]],dtype=np.float64)
  2. 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; rgb(255, 255, 255);">

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; ">

前面在创建的时候我们都是使用的np.array()方法从tuple或者list转换成为array，感觉很是费劲，numpy自己提供了很多的方法让我们自己直接创建一个array.





[python] view plain copy print?


    

  1. arr1=np.arange(1,10,1) #
    2. 

  2. arr2=np.linspace(1,10,10)
    3. 

  3. print arr1,arr1.dtype
    4. 

  4. print arr2,arr2.dtype
    5. 





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)表示产生从a-b不包括b，间隔为c的一个array，数据类型默认是int32。但是linspace(a,b,c)表示的是把a-b平均分成c分，它包括b。


   有时候我们需要对于每一个元素的坐标进行赋予不同的数值，可以使用fromfunction函数




[python] view plain copy print?


    

  1. def fun(i):
    2. 

  2. return i%4+2
    3. 

  3. np.fromfunction(fun,(10,))
    4. 





def fun(i):
    return i%4+2
np.fromfunction(fun,(10,))


array([ 2.,  3.,  4.,  5.,  2.,  3.,  4.,  5.,  2.,  3.])


   fromfunction必须支持多维数组，所以他的第二个参数必须是一个tuple，只能是(10,),(10)是错误的。




[python] view plain copy print?


    

  1. def fun2(i,j):
    2. 

  2. return (i+1)*(j+1)
    3. 

  3. np.fromfunction(fun2,(9,9))
    4. 





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.]])


    虽然说，这里提供了很多的直接产生array的方式，但是大部分情况我们都是会从list进行转换，因为在实际的处理中，我们需要从txt加载文件，那样直接读入的数据显示存放到list中，需要处理的时候我们转换到array,因为


array的设计更加符合我们的使用，涉及到矩阵的运算在使用mat，那么list主要就是用进行元素的索取。




[python] view plain copy print?


    

  1. def loaddataSet(fileName):
    2. 

  2. file=open(fileName)
    3. 

  3. dataMat=[]  //
    4. 

  4. for line in file.readlines():
    5. 

  5. curLine=line.strip().split(‘\t‘)
    6. 

  6. floatLine=map(float,curLine)//这里使用的是map函数直接把数据转化成为float类型
    7. 

  7. dataMat.append(floatLine)
    8. 

  8. return dataMat
    9. 





def loaddataSet(fileName):
    file=open(fileName)
    dataMat=[]  //
    for line in file.readlines():
        curLine=line.strip().split(‘\t‘)
        floatLine=map(float,curLine)//这里使用的是map函数直接把数据转化成为float类型
        dataMat.append(floatLine)
    return dataMat  


上面的韩顺返回最终的数据就是最初的list数据集，再根据不同的处理需求是转化到array还是mat。其实array是mat的父类，能用mat的地方，array理论上都能传入。






元素访问：



[python] view plain copy print?


    

  1. arr[5] #5
    2. 

  2. arr[3:5] #array([3, 4])
    3. 

  3. arr[:5] #array([0, 1, 2, 3, 4])
    4. 

  4. arr[:-1]# array([0, 1, 2, 3, 4, 5, 6, 7, 8])
    5. 

  5. arr[:] #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
    6. 

  6. arr[2:4]=100 # array([  0,   1, 100, 100,   4,   5,   6,   7,   8,   9])
    7. 

  7. arr[1:-1:2] #array([  1, 100,   5,   7]) 2 是间隔
    8. 

  8. arr[::-1] #array([  9,   8,   7,   6,   5,   4, 100, 100,   1,   0])
    9. 

  9. arr[5:2:-1]# -1的间隔表示从右向左所以5>2  #array([  5,   4, 100])
    10. 





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 是间隔
arr[::-1] #array([  9,   8,   7,   6,   5,   4, 100, 100,   1,   0])
arr[5:2:-1]# -1的间隔表示从右向左所以5>2  #array([  5,   4, 100])



   上面是array的一维数组的访问方式，我们再来看看二维的处理方式


[python] view plain copy print?


    

  1. print c[1:2]#  c[1:2].shape-->(1L, 3L)
    2. 

  2. print c[1:2][0]  # shape-->(3L,)
    3. 





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?


    

  1. print c[1]
    2. 

  2. print c[1:2]
    3. 





print c[1]
print c[1:2]


[4 4 5]
[[4 4 5]]


[python] view plain copy print?


    

  1. print c[1][2]
    2. 

  2. print c[1:4]
    3. 

  3. print c[1:4][0][2]
    4. 





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


   可以看出对于有:的表达最终的结果外面还嵌套一层list的[]，。访问的一定要注意，python最bug的就是，语法


灵活，不管怎样写索引语法都是正确的，但是最终的书结果却让你大跌眼镜。






    还有array的索引最终产生的是一个一个原始数据的浅拷贝，还和原来的数据共用一块儿内存




[python] view plain copy print?


    

  1. b=arr[1:6]
    2. 

  2. b[:3]=0
    3. 

  3. 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; rgb(255, 255, 255);">array([0, 0, 0, 0, 4, 5, 6, 7, 8, 9])
    4. 





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; ">array([0, 0, 0, 0, 4, 5, 6, 7, 8, 9])


    


    产生上面的原因是因为array中直接存放的数据，拷贝的话直接拿走的是pointer，没有取走数据，但是list却会直接发生深拷贝，数据指针全部带走


[python] view plain copy print?


    

  1. list1=list(c)
    2. 

  2. list1[1]=0
    3. 

  3. list1  #上面修改的0并没有被改变
    4. 





list1=list(c)
list1[1]=0
list1  #上面修改的0并没有被改变


[array([1, 2, 3]), 0, array([100, 100, 100]), array([100, 100, 100])]




   除了这些之外还有自己的更加牛掰的方式（只能用array)


   1）使用布尔数组.感觉甚是强大，就不要自己写什么判断语句啦，注意这种方式得到结果不和原始数组共享空间。布尔索引仅仅适用于数组array，list没资格用。布尔索引最终得到下标索引为true的数据。索引只能是布尔数组


[python] view plain copy print?


    

  1. a=np.array(a*2)
    2. 

  2. a>5
    3. 

  3. a[a>5]  #
    4. 





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




      列表索引可以是数组和list。返回的数据不和原来的数据共享内存。索引可以是list和array


[python] view plain copy print?


    

  1. x=np.arange(10)
    2. 

  2. index=[1,2,3,4,5]
    3. 

  3. arr_index=np.array(index)
    4. 

  4. print x
    5. 

  5. print x[index]  # list索引
    6. 

  6. print x[arr_index]  # array索引
    7. 





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区别*2


[python] view plain copy print?


    

  1. a=np.arange(10)
    2. 

  2. lista=list(a)
    3. 

  3. print a*2
    4. 

  4. print lista*2
    5. 





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的广播



[python] view plain copy print?


    

  1. a = np.arange(0, 60, 10).reshape(-1, 1)
    2. 

  2. b = np.arange(0, 5)
    3. 

  3. print a
    4. 

  4. print b
    5. 





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]


[python] view plain copy print?


    

  1. print np.add(a,b,c)
    2. 




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]]
				


				
时间： 2024-10-14 17:18:32 

		


		


	

	
	

		


		
python中的list和array的不同之处 2的相关文章


						

		

			

                python中的list和array的不同之处 及转换
			

		

		

									

				python中的list和array的不同之处list是列表,可以通过索引查找数值,但是不能对整个列表进行数值运算 In [96]: b=[1,2] In [97]: b[1]Out[97]: 2In [98]: type(b)Out[98]: listIn [99]: b+bOut[99]: [1, 2, 1, 2]array是数组,也可以通过索引值查找数据,但是能对整个数组进行数值运算In [100]: a=np.array([1,2In [101]: a[1]Out[101]: 2In [			

		

	

						

		

			

                python中的list和array的不同之处
			

		

		

									

				原文地址:  http://blog.csdn.net/liyaohhh/article/details/51055147#reply python中的list是python的内置数据类型,list中的数据类不必相同的,而array的中的类型必须全部相同.在list中的数据类型保存的是数据的存放的地址,简单的说就是指针,并非数据,这样保存一个list就太麻烦了,例如list1=[1,2,3,'a']需要4个指针和四个数据,增加了存储和消耗cpu. numpy中封装的array有很强大的功能,里面			

		

	

				

		

			

                python中数组（list/array）不会复制，而是直接引用
			

		

		

									

				对于单个变量,如: 将数据直接赋值进行复制后,变量前后独立,是位于两块空间内的. 但对于数组(list 或 numpy.array): 相当于引用,是位于同一块空间内的 原文地址:https://www.cnblogs.com/sbj123456789/p/9095381.html			

		

	

				

		

			

                python学习笔记——多进程中共享内存Value &amp; Array
			

		

		

									

				1 共享内存 基本特点: (1)共享内存是一种最为高效的进程间通信方式,进程可以直接读写内存,而不需要任何数据的拷贝. (2)为了在多个进程间交换信息,内核专门留出了一块内存区,可以由需要访问的进程将其映射到自己的私有地址空间.进程就可以直接读写这一块内存而不需要进行数据的拷贝,从而大大提高效率.(文件映射) (3)由于多个进程共享一段内存,因此也需要依靠某种同步机制. 优缺点: 优点:快速在进程间传递数据 缺点: 数据安全上存在风险,内存中的内容会被其他进程覆盖或 者篡改 注: 经常和同步互斥			

		

	

				

		

			

                numpy中的matrix和array
			

		

		

									

				Preface 在相关聚类算法的实现过程中,用python语言实现,会经常出现array和matrix的混淆,这里做个总结. array数组 numpy中最基本(默认)的类型是array,他的相关操作都是按元素操作的即用作数值计算当中(按元素操作有+,-,,/,*等).相乘举例: from numpy import * >>> a=array([1,2]) >>> a array([1, 2]) >>> b=array([2,3]) >>&			

		

	

				

		

			

                Python中的循环语句
			

		

		

									

				Python中有while循环和for循环 下面以一个小例子来说明一下用法,用户输入一些数字,输出这些数字中的最大值和最小值 1 array = [5,4,3,1] 2 3 for i in array: 4 print(i) 5 6 largest = None 7 smallest = None 8 while True: 9 num = input("Enter a number: ") 10 if num == "done" : break if len(n			

		

	

				

		

			

                Python中数据的保存和读取
			

		

		

									

				在科学计算的过程中,往往需要保存一些数据,也经常需要把保存的这些数据加载到程序中,在 Matlab 中我们可以用 save 和 lood 函数很方便的实现.类似的在 Python 中,我们可以用 numpy.save() 和 numpy.load() 函数达到类似的效果,并且还可以用 scipy.io.savemat() 将数据保存为 .mat 格式,用scipy.io.loadmat() 读取 .mat 格式的数据,达到可以和 Matlab 或者Octave 进行数据互动的效果. 下面分别介绍			

		

	

				

		

			

                Python学习-40.Python中的迭代
			

		

		

									

				在上一篇中,我们使用了生成器来创建了一个可遍历的对象.在其中,我们使用了yield关键字. Python我也正在学习中,因此对yield的本质我并不熟悉,但是,在C#中,yield关键字则是语法糖,其内部维护着一个迭代状态(对于C#里的Array,这是当前遍历的元素下标). 那么,在Python中,是否也是一种语法糖了?首先,我们知道,生成器产生的是一个对象,并且这个对象能够被遍历,参考C#,在C#中可foreach的对象都有GetEnumerator方法.那么,Python中很有可以也是具备某			

		

	

				

		

			

                python中的进程、线程（threading、multiprocessing、Queue、subprocess）
			

		

		

									

				Python中的进程与线程 学习知识,我们不但要知其然,还是知其所以然.你做到了你就比别人NB. 我们先了解一下什么是进程和线程. 进程与线程的历史 我们都知道计算机是由硬件和软件组成的.硬件中的CPU是计算机的核心,它承担计算机的所有任务. 操作系统是运行在硬件之上的软件,是计算机的管理者,它负责资源的管理和分配.任务的调度. 程序是运行在系统上的具有某种功能的软件,比如说浏览器,音乐播放器等. 每次执行程序的时候,都会完成一定的功能,比如说浏览器帮我们打开网页,为了保证其独立性,就需要一个专