与嵌套列表相比，Numpy 数组的优势

在本文中，我们将了解 Python 中带有嵌套列表的 Numpy 数组的优势。Numpy 数组绝对比嵌套数组具有优势。让我们看看原因——

• Numpy 中的数组执行速度比嵌套列表快。
• 嵌套列表比嵌套列表消耗更多的内存。

数字数组

NumPy 是一种称为 ndarray 的 N 维数组类型。它描述相同类型的项的集合。可以使用从零开始的索引访问集合中的项。

ndarray 中的每个项目在内存中占用相同大小的块。ndarray 中的每个元素都是数据类型对象的对象

创建一个数字数组

例

基本的 Numpy 数组是使用 NumPy 中的 array（） 函数创建的：

import numpy as np # Create a Numpy Array arr = np.array([5, 10, 15, 20, 25]) print("Array = ",arr)

输出

Array = [ 5 10 15 20 25]

使用 Numpy 创建矩阵

输出

在这个例子中，我们将使用 numpy 库创建一个矩阵 -

import numpy as np # Create a Numpy Matrix 2x3 a = np.array([[5, 10, 15], [20, 25, 30]]) # Display the array with more than one dimension print("Array = ",a)

输出

Array = [[ 5 10 15] [20 25 30]]

嵌套列表

顾名思义，嵌套列表是列表列表。它们也可用于创建矩阵。

创建具有嵌套列表的矩阵

使用嵌套列表，您可以在 Python 中轻松创建矩阵。在嵌套列表中。

• 嵌套列表的每个元素，即矩阵都有行和列。
• 嵌套列表中的元素数 = 矩阵的行数。
• 嵌套列表内列表的长度 = 列数。

例

让我们看一个例子 -

# create a matrix 3x3 mat = [[5, 10, 15], [50, 100, 150], [100, 150, 200]] # number of rows rows = len(mat) print("Number of rows = ", rows) # number of columns = length of sublist cols = len(mat[0]) print("Number of columns = ", cols) # Display the matrix (nested list) print("\nMatrix = ") for i in range(0, rows): print(mat[i])

输出

Number of rows =  3
Number of columns =  3

Matrix = 
[5, 10, 15]
[50, 100, 150]
[100, 150, 200]

上面的例子显示嵌套列表 -