了解 NumPy N 维数组

NumPy 的核心是其主要数据结构：N 维数组，常称为 ndarray。可以将其视为专为数值数据设计的高效、灵活的容器。尽管标准的 Python 列表功能多用，但它们未针对数据科学和机器学习 (machine learning)中常见的大规模数值运算进行优化。NumPy 数组解决了这些限制。

ndarray 有何独特之处？

1. 同质数据类型： 与 Python 列表不同，Python 列表可以存储不同类型的元素（例如，整数、字符串和浮点数都可以在一个列表中），而单个 NumPy 数组中的所有元素必须是相同的数据类型。这种同质性是 NumPy 性能的重要因素。了解每个元素（例如）是 64 位浮点数，使 NumPy 能够使用高度优化的底层 C 代码进行计算，从而避免了与 Python 动态类型相关的许多额外开销。

2. 固定大小： 创建 NumPy 数组时，其大小通常是固定的。尽管 NumPy 提供了改变数组大小的函数，但这些操作通常涉及创建新数组和复制数据，而非原地调整原始数组大小。这种固定大小的特点有助于内存分配和访问的效率。

3. 多维性： 顾名思义，ndarray 可以有多个维度。

   • 一维数组 类似于列表或向量 (vector)。
   • 二维数组 类似于带有行和列的表格或矩阵。
   • 数组可以有 3、4 甚至更多维度，允许表示复杂数据集，例如彩色图像（维度 1：高度，维度 2：宽度，维度 3：颜色通道）或矩阵序列。每个维度都称为一个轴。

4. 高效性： 由于 ndarray 将数据存储在连续的内存块中并使用编译过的 C 代码执行操作，对其进行的数学运算明显快于使用循环在 Python 列表上执行的等效操作。这种能力，常称为向量化 (quantization)，允许您对数据执行批量操作而无需编写显式循环，从而产生简洁且更快的代码。

我们来直观地展示一维数组和二维数组之间的区别：

一个简单的一维数组（序列）和二维数组（网格）的可视化表示。

快速看一下 ndarray 对象在 Python 代码中是什么样子。我们很快将详细介绍创建方法。

# 导入 NumPy 库，通常别名为 'np'
import numpy as np

# 创建一个简单的 Python 列表
python_list = [10, 20, 30, 40, 50]

# 将列表转换为 NumPy ndarray
numpy_array = np.array(python_list)

# 打印数组及其类型
print("NumPy 数组:", numpy_array)
print("类型:", type(numpy_array))

运行此代码将输出：

NumPy Array: [10 20 30 40 50]
Type: <class 'numpy.ndarray'>

注意输出 [10 20 30 40 50] 看起来与列表相似，但没有逗号。这是 NumPy 一维数组的标准字符串表示形式。其类型证实我们现在正在使用 NumPy 的专用 ndarray 对象。

了解 ndarray 是运用 NumPy 能力进行高效数据处理和计算的第一步。随后的章节将引导您创建这些数组并更仔细地检查它们的属性。