Question

在使用numpy.array的{{1}}与使用dtype='o'（或list list等的情况下存储Python对象有哪些优缺点，在更高的维度）？

在这种情况下，numpy数组是否更有效？（似乎他们无法避免间接，但在多维案例中可能更有效。）

Answer 1

切片与NumPy数组的工作方式不同。 The NumPy docs devote a lengthy page on the topic.要强调一些观点：

NumPy切片可以切割多个维度
NumPy基本切片生成的所有数组始终是原始数组的视图，而列表切片是浅层副本。
您可以将标量指定给NumPy切片。
您可以通过为切片指定不同长度的序列来插入和删除list中的项目，而NumPy会引发错误。

演示：

>>> a = np.arange(4, dtype=object).reshape((2,2))
>>> a
array([[0, 1],
       [2, 3]], dtype=object)
>>> a[:,0]             #multidimensional slicing
array([0, 2], dtype=object)
>>> b = a[:,0]
>>> b[:] = True        #can assign scalar
>>> a                  #contents of a changed because b is a view to a
array([[True, 1],
       [True, 3]], dtype=object)

此外，NumPy数组使用支持它们的对象数组（例如fraction.Fraction）提供方便的数学运算。

Answer 2

Numpy比Python列表更少使用内存。 Numpy比列表更快更方便。

例如：如果要在Python中添加两个列表，则必须循环遍历列表中的所有元素。另一方面，你在Numpy中添加它们。

# adding two lists in python
sum = []
l1 = [1, 2, 3]
l2 = [2, 3, 4]
for i in range(len(l1)):
   print sum.append(l1[i]+l2[i])
# adding in numpy
a1 = np.arange(3)
a2 = np.arange(3)
sum2 = a1+a2
print sum2

Python：列表和numpy对象数组之间的差异

2 个答案: