python里array函数,ARRAYSIZE

　　1.引言众所周知，python的numpy模块在数据分析中起着重要的作用，因为它定义的ndarray(n维数组)对象比python的基础类库定义的list对象具有更高的灵活性和更广的应用范围。更重要的是，由于numpy模块是用C语言编写的，所以计算机处理ndarray对象的速度要比list对象快得多。看一个例子：

　　导入numpy为NP my _ arr=NP . arrange(1000000)my _ list=list(range(1000000))% time for _ in range(10):my _ arr 2=my _ arr * 2 CPU时间：user 17.7 ms，sys: 12.5 ms，Total:30.1 ms Wall time:29.9 ms % time for _ in range(10):my _ list 2=[x * 2 for x in my _ list]CPU时间：user 525虽然实际数据分析中使用的数据只会更大，但使用ndarray显然是更明智的选择。二。numpy中transpose函数和swapaxes函数的用法。首先，从一个二维数组开始，按如下方式构造一个数组：

　　Arr=NP。阿兰格(15)。整形((3，5)) arr数组([[0，1，2，3，4]，[5，6，7，8，9]，[10，11，12，13，14]])我们可以把这里的arr看成一个35阶的矩阵。学过线性代数的朋友应该知道，矩阵元素0可以表示为a11，7表示为a23，13表示为a34。在对应的数组中，0可以表示为arr[0][0]，7可以表示为arr[1][2]，13可以表示为arr[2][3]。

　　我们可以用arr[m][n](m=0，1，2；N=0，1，2，3)来表示该数组中的元素。此时我们称这个二位数组arr为有两个轴，分别表示为0和1，其中M对应的轴为0，N对应的轴为1。转置与上述数组对应的矩阵：

　　由…改编t数组([[ 0，5，10] 5，10]，[1，6，11]，[2，7，12]，[3，8，13]，[4，9，14])相信学过线性代数的朋友很容易理解，这种矩阵转置运算相当于交换0轴和1轴。

　　arr.swapaxes(1，0) array([[ 0，5，10]，[ 1，6，11]，[ 2，7，12]，[ 3，8，13]，[ 4，9，14]]) arr.transpose(1，0) array([[ 0，5，10]，[ 1，6，11]，[ 2，7，12]，[3，8，13]，[4，9，14]])可以看出上述变换是等价的，并且是

　　二维数组相对容易理解，三维数组相对复杂，但基本原理不变，只是在两位数组上加了一个轴。构建以下三维数组：

　　Arr=NP。阿兰格(24岁)。整形((2，3，4)) arr数组([[0，1，2，3]，[4，5，6，7]，[8，9，10，11]，[[12，11] y=0，1，2；Z=0，1，2，3)，其中x对应0轴，y对应1轴，z对应2轴。看下图会更直观：

　　从上图可以看出，元素0可以表示为arr [0] [0]，元素6可以表示为arr[0][1][2]，元素12可以表示为arr[1][0][0]，元素18可以表示为arr[1][1][2]，元素22可以表示为此时，如果使用函数transpose(1，0，2)，则表示0轴和1轴互换，2轴不变，即arr[x][y][z]中x和y的位置不变

　　由…改编transpose ((1，0，2) array ([[0，1，2，3]，[12，13，14，15]]，[[4，5，6，7]，[16，17，18，19]]，[ Swapaxes(1，2)表示1轴和2轴的位置互换，0轴不变：arr。SwapAxes (1，2)数组([[0，4，8]，[1，5，9]，[2，6，10]，[3，7，11])。

　　这个问题的关键在于搞清楚轴和元素位置的对应关系，轴变换时对应的元素位置会如何变化，从而导致整个数组的形状变化。

　　(希望第一次写博客的你能理解我的不足；请随时让我知道哪些地方可以改进。谢谢)

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。