python中list與array的區別是什么

這期內容當中小編將會給大家帶來有關python中list與array的區別是什么，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

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，并非數據，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，并且用逗號隔開 
[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。這里并不是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 >array([[ 1, 2, 3], 
    [ 4, 4, 5], 
    [ 6, 7, 7], 
    [ 8, 9, 10]])

 
   這里的reshape最終相當于是一個淺拷貝，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并沒有使用數據類型，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 >

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。   

   有時候我們需要對于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]
[python] view plain copy 
print c[1] 
print c[1:2] 
[4 4 5]
[[4 4 5]]
[python] view plain copy 
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

   可以看出對于有: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 >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并沒有被改變 
[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。布爾索引僅僅適用于數組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]]

上述就是小編為大家分享的python中list與array的區別是什么了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。