NumPy 的 ndarray

NumPy 包的核心是 ndarray 对象，它封装了同数据类型的 n 维数组，许多操作都在代码编译后中执行，以便提高性能。 为了有效地使用很多（也许甚至是大多数）当今基于科学/数学的 Python 的软件，仅仅知道如何使用 Python 的内置序列类型是不够的，人们还需要知道如何使用 NumPy 数组。

与 Python 序列区别

NumPy 数组和标准 Python 序列之间有几个重要区别：

长度

NumPy 数组在创建时具有固定的大小，这与 Python 列表（可以动态增长）不同。更改 ndarray 的大小将创建一个新数组并删除原始数组。

元素类型

NumPy数组中的所有元素都必须具有相同的数据类型，因此在内存中的大小将相同。例外：一个对象可以具有（Python，包括 NumPy）对象的数组，从而允许数组具有不同大小的元素。

执行效率

NumPy 数组有助于对大量数据进行高级数学运算和其他类型的运算。通常，与使用Python 的内置序列相比，执行此类操作的效率更高，所用代码更少。

通用性

越来越多的基于 Python 的科学和数学软件包都使用 NumPy 数组，虽然它们通常支持 Python 序列输入，但它们会在处理之前将此类输入转换为 NumPy 数组，并且通常会输出 NumPy 数组。

数据结构

ndarray 支持一维到三维的数据结构：

面向对象

NumPy 完全支持面向对象的方法，再次从 ndarray 开始。 例如，ndarray 是一个类，具有许多方法和属性， 它的许多方法都由最外层的 NumPy 命名空间中的函数反映，从而允许程序员以他们喜欢的任何范式进行编码。 这种灵活性使 NumPy 数组方言和 NumPy ndarray 类成为了 Python 中使用的多维数据交换的事实上的语言。

ndarray 和 array 的区别

np.array 只是一个便捷的函数，用来创建一个 ndarray，它本身不是一个类，你也能够用 np.ndarray 来创建，但这不是推荐的方式。Arrays 能用 array、zeros 或 empty 来构造，这里的参数和一个实例化 array 的低层方法与有关。

ndarray 与 Pandas 数据结构的区别

ndarray 与 Pandas 的 Series 的 Dataframe 有什么区别呢？一维的 ndarray 与 Series 以及 n 维的 ndarray 与 n 列 Dataframe 看似非常像，但是 ndarray 没有索引（标签），因此不能非常好地直接面向业务的。由于有标签和字段说明，Pandas 才能利用 ndarray 强大的功能占领数据分析市场。

本教程会介绍它们之前的转换。

参考

• https://numpy.org/doc/stable/user/whatisnumpy.html

---