python中的list和array的不同之處

  

原文地址:  http://blog.csdn.net/liyaohhh/article/details/51055147#reply

python中的list是python的內置數據類型，list中的數據類不必相同的，而array的中的類型必須全部相同。在list中的數據類型保存的是數據的存放的地址，簡單的說就是指針，並非數據，這樣保存一個list就太麻煩了，例如list1=[1,2,3,'a']需要4個指針和四個數據，增加了存儲和消耗cpu。

      numpy中封裝的array有很強大的功能，里面存放的都是相同的數據類型

 

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的轉換
print a,np.shape(a)
print b,np.shape(b)
print c,np.shape(c)

運行結果：

 

[1, 2, 3, 'a'] # 元素數據類型不同，並且用逗號隔開
[1 2 3 4 5] (5L,) # 一維數組，類型用tuple表示
[[1 2 3]
 [4 5 6]] (2L, 3L)
[1, 2, 3, 4, 5] (5L,)

 

 

創建：

    array的創建：參數既可以是list，也可以是元組.使用對應的屬性shape直接得到形狀

a=np.array((1,2,3,4,5))# 參數是元組
b=np.array([6,7,8,9,0])# 參數是list
c=np.array([[1,2,3],[4,5,6]])# 參數二維數組
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。這里並不是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最終相當於是一個淺拷貝，也就是說還是和原來的書c使用相同的內存空間

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

array([[  1,   2,   3],
       [  4,   4,   5],
       [100, 100, 100],
       [100, 100, 100]])

   前面在創建數組的時候並沒有使用數據類型，這里我們也可以使用數據類型。默認的是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; rgb(255, 255, 255);">

前面在創建的時候我們都是使用的np.array()方法從tuple或者list轉換成為array，感覺很是費勁，numpy自己提供了很多的方法讓我們自己直接創建一個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)表示產生從a-b不包括b，間隔為c的一個array，數據類型默認是int32。但是linspace(a,b,c)表示的是把a-b平均分成c分，它包括b。

   有時候我們需要對於每一個元素的坐標進行賦予不同的數值，可以使用fromfunction函數

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

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

   fromfunction必須支持多維數組，所以他的第二個參數必須是一個tuple，只能是(10,),(10)是錯誤的。

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生array的方式，但是大部分情況我們都是會從list進行轉換，因為在實際的處理中，我們需要從txt加載文件，那樣直接讀入的數據顯示存放到list中，需要處理的時候我們轉換到array,因為

array的設計更加符合我們的使用，涉及到矩陣的運算在使用mat，那么list主要就是用進行元素的索取。

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函數直接把數據轉化成為float類型
        dataMat.append(floatLine)
    return dataMat

上面的韓順返回最終的數據就是最初的list數據集，再根據不同的處理需求是轉化到array還是mat。其實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的一維數組的訪問方式，我們再來看看二維的處理方式

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

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

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

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

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

   可以看出對於有:的表達最終的結果外面還嵌套一層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，但是最終的書結果卻讓你大跌眼鏡。

    還有array的索引最終產生的是一個一個原始數據的淺拷貝，還和原來的數據共用一塊兒內存

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

    產生上面的原因是因為array中直接存放的數據，拷貝的話直接拿走的是pointer，沒有取走數據，但是list卻會直接發生深拷貝，數據指針全部帶走

list1=list(c)
list1[1]=0
list1  #上面修改的0並沒有被改變

[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）使用布爾數組.感覺甚是強大，就不要自己寫什么判斷語句啦，注意這種方式得到結果不和原始數組共享空間。布爾索引僅僅適用於數組array，list沒資格用。布爾索引最終得到下標索引為true的數據。索引只能是布爾數組

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

      列表索引可以是數組和list。返回的數據不和原來的數據共享內存。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]]