Numpy第1练：7种方法创建一维数组，你会选择哪一个？

2024-03-08 本文已影响0人 GeekAI

<h1>问：如何创建一个 1 维数组？</h1><div class="image-package"><img src="https://img.haomeiwen.com/i16495147/d07a9325f26c3b1c.jpeg" img-data="{"format":"jpeg","size":54879,"width":640,"height":360,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div>创建一维数组是数据处理和科学计算中的基本操作。在Python中，我们可以采用多种不同的方法来实现这一点。以下是五种主流的方法，以及它们各自的优缺点分析：<h1>1. 使用基础Python：列表（List）</h1>优点：Python原生支持，不需要任何额外的库。列表是动态数组，可以容易地增加、删除或更改元素。缺点：性能上不如专门的数组处理库，如NumPy，尤其是在大数据集上操作时。不支持高级的数值计算功能。<div class="image-package"><img src="https://img.haomeiwen.com/i16495147/e67ff17ccd1d6f4e.jpeg" img-data="{"format":"jpeg","size":23282,"width":640,"height":423,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div><h1>2. 使用NumPy：np.array()</h1>优点：NumPy是科学计算的标准库，提供了优化的数组操作和广泛的数学函数库。支持向量化操作，性能远超纯Python实现。缺点：需要安装外部库。对于非数值计算任务，NumPy的功能可能有些过剩。<div class="image-package"><img src="https://img.haomeiwen.com/i16495147/5a2ec6aa53f35856.jpeg" img-data="{"format":"jpeg","size":10968,"width":640,"height":209,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div><h1>3. 使用NumPy：np.arange()</h1>优点：可以快速生成一个数值范围内的数组，用法类似于Python的range()，但直接返回NumPy数组。缺点：同样需要安装NumPy库，且只能创建数值连续的数组，不适用于创建自定义序列。<div class="image-package"><img src="https://img.haomeiwen.com/i16495147/a83d1ad21056feff.jpeg" img-data="{"format":"jpeg","size":19059,"width":640,"height":313,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div><h1>题外话：Python的list和numpy的数组有什么区别？</h1><ol><li>Python列表：提供基本的序列操作，如追加（append）、扩展（extend）、插入（insert）等。</li><li>NumPy数组：提供大量的数学和科学计算方法，如矩阵运算、统计分析、傅立叶变换等。</li></ol>内存占用<ol><li>Python列表：因为列表是对象的集合，每个对象都有自己的类型信息、引用计数和其他信息，所以列表比NumPy数组占用更多内存。</li><li>NumPy数组：由于类型相同且紧凑存储，通常占用更少的内存。</li></ol>用途<ol><li>Python列表：适用于通用编程，特别是当你需要一个可以包含不同类型元素的动态数组时。</li><li>NumPy数组：适用于需要进行大量数值计算的场景，特别是在数据分析、机器学习、科学计算等领域。</li></ol><h1>4. 使用NumPy：np.linspace()</h1>优点：可以创建在指定的区间内均匀分布的数值数组，适合数值分析和图形表示。缺点：需要NumPy库，且功能专一，主要用于生成线性间隔的数值点。<div class="image-package"><img src="https://img.haomeiwen.com/i16495147/628a823b55013ded.jpeg" img-data="{"format":"jpeg","size":15651,"width":640,"height":215,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div><h1>5. 使用Pandas：pd.Series()</h1>优点：Pandas是处理表格数据的强大工具，Series对象不仅可以存储数值，还可以有自己的标签（index），适合于时间序列等应用。缺点：Pandas库比NumPy更为庞大，对于简单的一维数组来说，其功能可能过于复杂。<div class="image-package"><img src="https://img.haomeiwen.com/i16495147/967235a6726ab787.jpeg" img-data="{"format":"jpeg","size":13156,"width":640,"height":400,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div><h1>题外话：Numpy的数组和Pandas的Series有什么区别？</h1>Pandas的Series和NumPy的数组（numpy.ndarray）是Python数据分析中常用的两种数据结构，它们都能够存储数据序列，但设计理念、功能特性及用途存在明显差异。以下是它们之间的一些主要区别：数据类型和结构<ol><li>NumPy数组：通常存储单一数据类型的元素。它是一个多维数组，提供快速的向量化数值计算功能。</li><li>Pandas Series：可以看作是带有标签的一维数组。Series可以存储不同类型的数据（整数、字符串、浮点数等），每个元素都有一个唯一的标签（索引）。</li></ol>性能<ol><li>NumPy数组：在进行大规模数值计算时表现出极高的效率，特别是在数组操作和数学函数应用方面。</li><li>Pandas Series：虽然在性能上优于Python原生列表，但在处理大规模数据时通常比NumPy数组慢。不过，Series提供的高级索引功能可以方便地进行数据查询和处理。</li></ol>功能和用途<ol><li>NumPy数组：适合进行科学计算和数值分析，如线性代数运算、统计分析等。NumPy库提供了丰富的数值计算方法。</li><li>Pandas Series：设计用于处理结构化数据，支持复杂的数据操作，如数据对齐、缺失数据处理、时间序列功能等。Series非常适合数据清洗、数据探索及统计分析等任务。</li></ol>索引<ol><li>NumPy数组：使用基于位置的默认整数索引，也可以执行布尔索引等高级索引操作。</li><li>Pandas Series：每个元素都有一个标签（索引），这些索引可以是整数也可以是字符串（或其他Python对象），使得数据操作更加直观和灵活。</li></ol>内存占用<ol><li>NumPy数组：由于存储的是同质数据类型，通常占用内存较小。</li><li>Pandas Series：由于存储了额外的索引信息，以及支持不同数据类型，因此可能占用更多的内存。</li></ol>用途差异<ol><li>NumPy数组：更适合进行科学计算和技术计算，尤其是需要高性能计算的场景。</li><li>Pandas Series：由于其灵活的数据处理能力，更适合数据分析、数据探索和统计分析等任务，特别是在处理实际问题中的结构化数据时。</li></ol><h1>6.使用列表推导式</h1>优点：列表推导式是Python的语法糖，允许以一种直观、清晰的方式创建列表，非常适合从其他列表或可迭代对象生成新列表，特别是当你需要对每个元素应用某种操作时。缺点：对于非常大的数据集，列表推导式可能会消耗大量内存，并且对性能有负面影响。此外，复杂的列表推导式可能难以阅读和维护。<div class="image-package"><img src="https://img.haomeiwen.com/i16495147/1846ca3dc062bcc3.jpeg" img-data="{"format":"jpeg","size":13081,"width":640,"height":201,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div><h1>7.使用运算符</h1>优点：非常适合快速初始化一个具有固定数值或对象的列表。这种方法简洁明了，可以迅速得到一个大小固定的数组。缺点：仅限于创建包含重复元素的列表。如果你需要初始化一个由唯一、动态计算出的元素组成的数组，这种方法就不合适了。此外，使用运算符复制的是对象的引用，而不是对象本身，这在使用可变对象时可能会导致不期望的行为。<div class="image-package"><img src="https://img.haomeiwen.com/i16495147/1d172e6b2fbd8ae0.jpeg" img-data="{"format":"jpeg","size":22867,"width":640,"height":336,"space":"srgb","channels":3,"depth":"uchar","density":72,"chromaSubsampling":"4:2:0","isProgressive":false,"hasProfile":false,"hasAlpha":false}" class="uploaded-img" style="min-height:200px;min-width:200px;" width="auto" height="auto"/>
</div><blockquote>以上便是常用的创建一维数组的七种方式，每一种方式都有一个专门的适用场景，这也是它们存在的意义，希望这篇小小的汇总能够帮助到各路大神！</blockquote>

Numpy第1练：7种方法创建一维数组，你会选择哪一个？

猜你喜欢

热点阅读