应用错误收集

ndarray vs list：两者都可以包含一维元素集合;但是，在ndarray中，元素通常都是相同的类型（例如，64位浮点数），numpy提供运算符（和幕后优化）来计算这些向量。例如，您可以（快速）通过nda3 = nda1 + nda2在nda1和nda2中添加元素。使用列表，您需要执行lst3 = [a + b for (a, b) in zip(lst1, lst2)]。另一方面，您可以轻松插入和删除列表中的项目。 ndarrays用于对数字向量进行高性能计算;列表是为任意对象集合的临时操作而设计的。
ndarray vs dictionary：这些非常不同。字典允许您按名称从任意集合中选择对象; ndarrays通常只保存数字，只允许通过索引号查找（除非你进入重组，你没有问过）。
ndarray与Pandas数据帧：数据帧有点类似于多维ndarrays，因为它们被设计为在每列中保存相似类型的数据。但是，数据帧的不同列通常会包含不同类型的数据，而多维ndarray中的所有元素通常都是相同类型的数字。此外，数据框跨行和列提供基于名称的索引。我喜欢将数据帧看作类似于一维ndarray的字典，即数据帧的每一列都像一维的ndarray，您可以按名称检索列然后对其进行操作。但是Pandas提供了额外的索引优势，因此您还可以为每一行指定一个名称，然后根据行和列名称将元素从表中拉出。 Pandas还为元素操作提供运算符（例如，将两列相加），类似于numpy。但它通常通过匹配索引术语而不是行/列数来实现。因此，Pandas中的数据操作速度较慢但更可靠。
ndarrays vs结构化数组：结构化数组有点像Pandas数据帧的行（每列中可以有不同的标准化数据类型）。但是操作它们的语义更像是标准的numpy操作 - 在操作它之前，你必须确保正确的数据位于数组中的正确位置。（Pandas会对表进行重新排序，以便在需要时匹配行名。）
ndarray vs list of lists：ndarrays被初始化并显示为列表序列，如果你获取2D数组的第n个元素，你会得到一个列表（行）。但在内部，在ndarray中，每个元素都具有相同的数据类型（与列表不同），并且值在内存中紧密且均匀地打包。这允许处理器一起快速地对所有值执行操作。列表更像是指向存储在其他位置的值的指针，并且列表或列表列表上的数学计算未进行优化。此外，你不能使用列表列表进行2D或3D索引（你必须说lst [1] [2] [3]，而不是lst [1,2,3]），你也不能轻易做元素操作（lst1+lst2不像nda1+nda2那样进行元素添加。
更高维度：您可以创建具有任意数量维度的ndarray。这有点类似于列表列表。例如，这会生成一个3D数组：np.array([[[1, 2], [3, 4]], [[5, 6], [7,8]]])

对Numpy nd-array的直观理解

1 个答案: