Trong Python, danh sách là cấu trúc dữ liệu tuyến tính có thể lưu trữ các phần tử không đồng nhất. Nó không cần phải được xác định và có thể thu nhỏ và mở rộng khi cần thiết. Mặt khác, mảng NumPy là cấu trúc dữ liệu có thể lưu trữ các phần tử đồng nhất. Nó được triển khai bằng Python bằng thư viện NumPy. Thư viện này xử lý mảng nhiều chiều rất hiệu quả. Nó cũng rất hiệu quả trong việc xử lý một số lượng lớn các phần tử dữ liệu. Mảng NumPy sử dụng ít bộ nhớ hơn cấu trúc dữ liệu Danh sách. Cả mảng NumPy và danh sách đều có thể được xác định bằng giá trị chỉ mục của chúng
Thư viện NumPy cung cấp hai phương thức để chuyển đổi danh sách thành mảng trong Python
- sử dụng numpy. mảng[]
- sử dụng numpy. sự lộn xộn[]
Phương pháp 1. sử dụng numpy. mảng[]
Trong Python, cách đơn giản nhất để chuyển đổi danh sách thành mảng NumPy là sử dụng numpy. hàm mảng []. Nó nhận một đối số và trả về một mảng NumPy. Nó tạo một bản sao mới trong bộ nhớ
chương trình 1
đầu ra
List: [1, 2, 3, 4, 5, 6, 7, 8, 9] Array: [1 2 3 4 5 6 7 8 9]
Phương pháp 2. sử dụng numpy. sự lộn xộn[]
Trong Python, phương thức thứ hai là numpy. hàm asarray[] chuyển đổi danh sách thành mảng NumPy. Nó nhận một đối số và chuyển đổi nó thành mảng NumPy. Nó không tạo một bản sao mới trong bộ nhớ. Trong trường hợp này, tất cả các thay đổi được thực hiện đối với mảng ban đầu được phản ánh trên mảng NumPy
Tập thể dục. Tạo mảng
array[[ 0, 1, 100, 42, 13, 7]]8 từ mảng
array[[ 0, 1, 100, 42, 13, 7]]9 bằng cả hai phương pháp. Sau đó thay đổi một giá trị trong mảng
array[[ 0, 1, 100, 42, 13, 7]]9. Điều gì xảy ra ở mảng
array[[ 0, 1, 100, 42, 13, 7]]8?
Danh sách NumPy vs Python
Ưu điểm của NumPy so với Danh sách Python thông thường là gì?
Xem video này trên YouTube
Kiểu dữ liệu danh sách tích hợp sẵn của Python rất mạnh mẽ. Tuy nhiên, mảng NumPy có nhiều lợi thế hơn so với danh sách Python. Họ là ai?
Ưu điểm NumPyƯu điểm Danh sách Python Cắt lát đa chiều Chức năng phát sóng độc lập với thư viện Trực quan Xử lý tốc độ Ít phức tạp Dấu chân bộ nhớ Dữ liệu danh sách không đồng nhất Cho phép nhiều phương thức thuận tiện Hình dạng dữ liệu tùy ý [Ma trận không vuông]Để đọc thêm về những ưu điểm của mảng NumPy so với danh sách Python, hãy đọc hướng dẫn blog chi tiết của tôi
Làm cách nào để chuyển đổi danh sách Python 1D thành mảng NumPy?
Vấn đề. Đưa ra một danh sách Python một chiều. Làm cách nào để chuyển đổi nó thành một mảng NumPy?
Thí dụ. Bạn có danh sách số nguyên Python 1D sau đây
lst = [0, 1, 100, 42, 13, 7]
Bạn muốn chuyển đổi nó thành một mảng NumPy
array[[ 0, 1, 100, 42, 13, 7]]
Phương pháp 1. np. mảng[…]
Cách đơn giản nhất để chuyển đổi danh sách Python thành mảng NumPy là sử dụng hàm
array[[ 0, 1, 100, 42, 13, 7]]4 nhận một lần lặp và trả về một mảng NumPy________số 8
đầu ra là
# [ 0 1 100 42 13 7]
Điều này tạo ra một cấu trúc dữ liệu mới trong bộ nhớ. Các thay đổi trong danh sách ban đầu không hiển thị đối với biến chứa mảng NumPy
array[[ 0, 1, 100, 42, 13, 7]]0
Phần tử
import numpy as np lst = [0, 1, 100, 42, 13, 7] print[np.array[lst]]3 hiện là một phần của danh sách
import numpy as np lst = [0, 1, 100, 42, 13, 7] print[np.array[lst]]4 không phải là một phần của mảng
array[[ 0, 1, 100, 42, 13, 7]]9
Phương pháp 2. np. lộn xộn[…]
Một cách khác là sử dụng hàm
array[[ 0, 1, 100, 42, 13, 7]]5 nhận một đối số—có thể lặp lại—và chuyển đổi nó thành mảng NumPy. Sự khác biệt với
array[[ 0, 1, 100, 42, 13, 7]]4 là nó không tạo một bản sao mới trong bộ nhớ NẾU bạn truyền một mảng NumPy. Tất cả các thay đổi được thực hiện trên mảng ban đầu được phản ánh trên mảng NumPy. Vì vậy hãy cẩn thận
array[[ 0, 1, 100, 42, 13, 7]]6
Mảng
array[[ 0, 1, 100, 42, 13, 7]]8 được tạo bằng hàm
array[[ 0, 1, 100, 42, 13, 7]]5, vì vậy nếu bạn thay đổi giá trị của mảng
array[[ 0, 1, 100, 42, 13, 7]]9, thay đổi đó sẽ được phản ánh trên biến
array[[ 0, 1, 100, 42, 13, 7]]8 [vì chúng trỏ đến cùng một đối tượng trong bộ nhớ]
[Video] Cách chuyển đổi danh sách danh sách thành mảng NumPy?
Làm cách nào để chuyển đổi danh sách danh sách thành mảng NumPy?
Xem video này trên YouTube
Chuyển đổi Danh sách Danh sách thành Mảng 2D
Vấn đề. Đưa ra một danh sách các danh sách trong Python. Làm cách nào để chuyển đổi nó thành mảng 2D NumPy?
Thí dụ. Chuyển đổi danh sách sau thành danh sách
array[[ 0, 1, 100, 42, 13, 7]]1
vào một mảng NumPy
array[[ 0, 1, 100, 42, 13, 7]]2
Dung dịch. Sử dụng hàm
# [ 0 1 100 42 13 7]2 để chuyển đổi danh sách các danh sách thành mảng NumPy hai chiều. Đây là mã
array[[ 0, 1, 100, 42, 13, 7]]4
Dấu. Phương thức NumPy
array[[ 0, 1, 100, 42, 13, 7]]4 lấy một iterable làm đầu vào và chuyển đổi nó thành một mảng NumPy
Chuyển đổi danh sách danh sách với số lượng phần tử khác nhau
Vấn đề. Đưa ra một danh sách các danh sách. Các danh sách bên trong có số lượng phần tử khác nhau. Làm cách nào để chuyển đổi chúng thành một mảng NumPy?
Thí dụ. Giả sử, bạn đã có danh sách các danh sách sau
array[[ 0, 1, 100, 42, 13, 7]]6
Các cách tiếp cận khác nhau để chuyển đổi danh sách danh sách này thành một mảng NumPy là gì?
Dung dịch. Có ba chiến lược khác nhau mà bạn có thể sử dụng. [nguồn]
[1] Sử dụng hàm
array[[ 0, 1, 100, 42, 13, 7]]4 tiêu chuẩn
array[[ 0, 1, 100, 42, 13, 7]]0
Thao tác này tạo ra một mảng NumPy có ba phần tử—mỗi phần tử là một kiểu danh sách. Bạn có thể kiểm tra loại đầu ra bằng cách sử dụng hàm
# [ 0 1 100 42 13 7]5 tích hợp
array[[ 0, 1, 100, 42, 13, 7]]1
[2] Tạo một mảng các mảng
array[[ 0, 1, 100, 42, 13, 7]]2
Điều này hợp lý hơn phiên bản trước vì nó tạo ra một mảng NumPy gồm các mảng NumPy 1D [chứ không phải danh sách Python 1D]
[3] Làm cho các danh sách có độ dài bằng nhau
array[[ 0, 1, 100, 42, 13, 7]]3
Bạn sử dụng khả năng hiểu danh sách để “đệm” giá trị
# [ 0 1 100 42 13 7]6 cho mỗi danh sách bên trong có độ dài nhỏ hơn độ dài tối đa
Những bài viết liên quan
- Làm cách nào để chuyển đổi danh sách danh sách thành mảng NumPy?
- Ưu điểm của mảng NumPy so với danh sách Python là gì?
- Làm cách nào để chuyển đổi một mảng NumPy thành một danh sách Python?
Lập trình hài hước – Python
Đi đâu từ đây?
Đủ lý thuyết. Hãy thực hành một số
Các lập trình viên được trả sáu con số trở lên vì họ có thể giải quyết vấn đề hiệu quả hơn bằng cách sử dụng trí thông minh máy móc và tự động hóa
Để trở nên thành công hơn trong việc viết mã, hãy giải quyết nhiều vấn đề thực tế hơn cho người thực. Đó là cách bạn trau dồi những kỹ năng bạn thực sự cần trong thực tế. Rốt cuộc, việc sử dụng lý thuyết học tập mà không ai cần là gì?
Bạn xây dựng các kỹ năng mã hóa có giá trị cao bằng cách làm việc trên các dự án mã hóa thực tế
Bạn có muốn ngừng học với các dự án đồ chơi và tập trung vào các dự án mã thực tế giúp bạn kiếm tiền và giải quyết các vấn đề thực sự cho mọi người không?
🚀 Nếu câu trả lời của bạn là CÓ. , cân nhắc trở thành nhà phát triển Python tự do. Đó là cách tốt nhất để tiếp cận nhiệm vụ cải thiện kỹ năng Python của bạn—ngay cả khi bạn là người mới hoàn toàn
Nếu bạn chỉ muốn tìm hiểu về cơ hội làm việc tự do, vui lòng xem hội thảo trên web miễn phí của tôi “Cách xây dựng kỹ năng Python có thu nhập cao của bạn” và tìm hiểu cách tôi phát triển công việc viết mã trực tuyến của mình cũng như cách bạn có thể làm được—từ sự thoải mái của bạn
Tham gia hội thảo trên web miễn phí ngay bây giờ
Chris
Trong khi làm việc với tư cách là một nhà nghiên cứu trong các hệ thống phân tán, Dr. Christian Mayer tìm thấy tình yêu của mình với việc dạy sinh viên khoa học máy tính
Để giúp sinh viên đạt được mức độ thành công Python cao hơn, anh ấy đã thành lập trang web giáo dục lập trình Finxter. com. Ông là tác giả của cuốn sách lập trình nổi tiếng Python One-Liners [NoStarch 2020], đồng tác giả của loạt sách tự xuất bản Coffee Break Python, người đam mê khoa học máy tính, cộng tác viên tự do và chủ sở hữu của một trong 10 blog Python lớn nhất thế giới
Niềm đam mê của anh ấy là viết, đọc và mã hóa. Nhưng niềm đam mê lớn nhất của anh ấy là phục vụ các lập trình viên đầy tham vọng thông qua Finxter và giúp họ nâng cao kỹ năng của mình. Bạn có thể tham gia học viện email miễn phí của anh ấy tại đây