python ndarray 元素出现次数 python ndarray list

Numpy介绍

• Numpy是一个开源的Python科学计算库，用于快速处理任意维度的数组。
• Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。

---

通过python的list嵌套也可以实现多维数组，为什么还要使用ndarray？

对比ndarray和原生python列表的计算速度

import random
import time
import numpy as np
a = []
# 随机100000000数字放到列表
for i in range(100000000):
    a.append(random.random())
t1 = time.time()
# 计算求和的时间
sum1=sum(a)
t2=time.time()

# 同样的数组转成ndarray
b=np.array(a)
t4=time.time()
# 计算求和时间
sum3=np.sum(b)
t5=time.time()
print(t2-t1, t5-t4)

为什么ndarray速度快？

ndarray和list在内存中的地址对比：

总结：

• ndarray在内存中的地址是连续的，批量操作数组元素时速度更快
• python原生list只能通过寻址方式找到下一个元素，这虽然也导致了在通用性方面Numpy的ndarray不及Python原生list，但计算的时候速度就慢了
• ndarray支持并行化运算
• Numpy底层使用C语言编写，内部解除了GIL（全局解释器锁），其对数组的操作速度不受Python解释器的限制，效率远高于纯Python代码

---

ndarray的属性

1. shape属性，数组维度的元组：

a = np.array(
    [[1,2,3],
     [4,5,6]]
)
b = np.array(
    [1,2,3,4]
)
c = np.array(
    [[
        [1,2,3],
        [4,5,6]
    ],[
        [1,2,3],
        [4,5,6]
    ]]
)

3. ndim属性，查看维数（几维数组）：



4. size属性，查看元素总数量：

4. dtype属性，查看数组的数据类型：

---

adarray的数据类型

名称	描述
np.bool	用一个字节存储的布尔类型（True或False）
np.int8	一个字节大小，-128 至 127
np.int16	整数，-32768 至 32767
np.int32	整数，-2 31 至 2 32 -1
np.int64	整数，-2 63 至 2 63 - 1
np.uint8	无符号整数，0 至 255
np.uint16	无符号整数，0 至 65535
np.uint32	无符号整数，0 至 2 ** 32 - 1
np.uint64	无符号整数，0 至 2 ** 64 - 1
np.float16	半精度浮点数：16位，正负号1位，指数5位，精度10位
np.float32	单精度浮点数：32位，正负号1位，指数8位，精度23位
np.float64	双精度浮点数：64位，正负号1位，指数11位，精度52位
np.complex64	复数，分别用两个32位浮点数表示实部和虚部
np.complex128	复数，分别用两个64位浮点数表示实部和虚部
np.object_	python对象
np.string_	字符串
np.unicode_	unicode类型

创建数组时指定类型：