直观理解 Numpy nd-array

Question

所以我已经阅读了手册 - 但结构仍然让我感到困惑。具体是什么关系：

• nd-array 和 Python list?
• nd-array 和 Python 字典?
• nd-array 和 Pandas DataFrame?
• nd-arrays 和 Numpy “结构化数组”？

另外，nd-array 就像一个列表序列吗？

“n 维”在哪里出现？因为它看起来就像一个矩阵，只有两个维度。

谢谢！

Answer 1

• ndarray vs list：两者都可以保存元素的一维集合；但是，在 ndarray 中，元素通常都是相同的类型（例如，64 位浮点数），并且 numpy 为这些向量的计算提供了运算符（和幕后优化）。例如，您可以（快速）通过nda3 = nda1 + nda2 在 nda1 和 nda2 中添加元素。对于列表，您需要执行lst3 = [a + b for (a, b) in zip(lst1, lst2)]。另一方面，您可以轻松地在列表中插入和删除项目。 ndarrays 是为数字向量的高性能计算而设计的；列表专为对任意对象集合进行临时操作而设计。
• ndarray 与字典：它们完全不同。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，并且只允许通过索引号查找（除非你进入了你没有问过的recarrays）。
• ndarray 与 Pandas 数据框：数据框有点类似于多维 ndarray，因为它们旨在在每一列中保存相似类型的数据。但是，数据帧的不同列通常会保存不同类型的数据，而多维 ndarray 中的所有元素通常都是相同类型的数字。此外，数据框提供跨行和列的基于名称的索引。我喜欢将数据框视为一维 ndarray 的字典，即数据框的每一列都像一维 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命名，然后根据行名和列名将元素从表中拉出。 Pandas 还为元素操作提供了运算符（例如，将两列相加），类似于 numpy。但它通常通过匹配索引项而不是行/列号来做到这一点。因此，Pandas 中的数据操作速度较慢，但​​更可靠。
• ndarrays 与结构化数组：结构化数组有点像 Pandas 数据框的行（每列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——在操作之前，您必须确保正确的数据位于数组中的正确位置。 （如果需要，Pandas 将对表格重新排序，以便行名匹配。）
• ndarray 与列表序列：ndarray 被初始化并像列表序列一样显示，如果你取二维数组的第 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统一地打包。这允许处理器一起对所有值快速执行操作。列表更像是指向存储在其他地方的值的指针，并且列表或列表列表的数学计算没有优化。此外，您不能将 2D 或 3D 索引与列表列表一起使用（您必须说 lst[1][2][3]，而不是 lst[1,2,3]），也不能轻松地按元素进行操作（lst1+lst2 不像 nda1+nda2 那样进行元素加法）。
• 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的列表。例如，这会生成一个 3D 数组：np.array([[[1, 2], [3, 4]], [[5, 6], [7,8]]])