NDArray 与 numpy.ndarray 互相转换及基础属性详解

NDArray 与 numpy.ndarray 的相互转换

import numpy as np
from mxnet import nd
# numpy.ndarray 变 mx.NDArray
np_val = np.array([1, 2, 3])   # 定义一个numpy.ndarray
nd_val = nd.array(np_val)   # 深复制 
# NDArray 变 numpy.ndarray
np_val_ = nd_val.asnumpy()

NumPy 与 ndarray 简介

NumPy 概述

NumPy 全称为 Numeric Python，是一个开源的 Python 科学计算库，主要包含以下核心组件：

• 一个功能强大的 N 维数组对象 ndarray；
• 一套成熟的（广播）函数库；
• 用于整合 C/C++ 和 Fortran 代码的工具包；
• 实用的线性代数、傅里叶变换和随机数生成函数。

NumPy 的主要优点包括：

• 执行相同的数值计算任务时，使用 NumPy 比直接编写 Python 代码要便捷得多；
• NumPy 数组的存储效率和输入输出性能均显著优于 Python 中等价的基本数据结构，且其性能提升幅度与数组中的元素数量成正比；
• NumPy 的大部分代码由 C 语言编写，其底层算法在设计之初便追求优异性能，这使得 NumPy 比纯 Python 代码高效得多。

当然，NumPy 也存在一些不足之处。由于 NumPy 使用内存映射文件以达到最优的数据读写性能，而内存大小的限制使其难以处理 TB 级的大文件；此外，NumPy 数组的通用性不及 Python 提供的 list 容器。因此，在科学计算之外的领域，NumPy 的优势便不那么明显。

数组 ndarray

NumPy 最重要的一个特点是其 N 维数组对象（即 ndarray），该对象是一个快速而灵活的大数据集容器，由两部分组成：

• 实际的数据；
• 描述这些数据的元数据。

大部分的数组操作仅仅是修改元数据部分，而不改变其底层的实际数据。数组的维数称为秩，简单来说就是如果你需要获取数组中一个特定元素所需的坐标数，如 a 是一个 2×3×4 的矩阵，你索引其中的一个元素必须给定三个坐标 a[x,y,z]，故它的维数就是 3。而轴可以理解为一种对数组空间的分割，以数组 a 为例，如果我们以 0 为轴，那么 a 可以看成是一个由两个元素构成的数组，其中每个元素都是一个 3×4 的数组。

我们可以直接将数组看作一种新的数据类型，就像 list、tuple、dict 一样，但数组中所有元素的类型必须是一致的，Python 支持的数据类型有整型、浮点型以及复数型，但这些类型不足以满足科学计算的需求，因此 NumPy 中添加了许多其他的数据类型，如 bool、inti、int64、float32、complex64 等。同时，它也有许多其特有的属性和方法。

常用 ndarray 属性：

dtype 描述数组元素的类型

shape 以 tuple 表示的数组形状

ndim 数组的维度

size 数组中元素的个数

itemsize 数组中的元素在内存所占字节数

T 数组的转置

flat 返回一个数组的迭代器，对 flat 赋值将导致整个数组的元素被覆盖

real/imag 给出复数数组的实部/虚部

nbytes 数组占用的存储空间

常用 ndarray 方法：

以上为个人经验，希望能给大家一个参考，也希望大家多多支持本站。