一、从numpyarray转list
NumPy是Python科学计算的基础包，提供了一种快速、高效的多维数组对象 ndarray ，用于存储同类型的数据。在NumPy中，多维数组ndarray是最重要的数据结构，它是一个由同类型元素组成的矩阵，具备高效的数值计算功能。但是，有时候我们需要将ndarray转换为Python中的list对象，便于进行其他操作或对数据进行处理。
下面给出两种方法实现numpy.ndarray转list：
方法1：使用tolist()
import numpy as np
# 定义一个ndarray数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 使用tolist()方法将ndarray数组转为list
arr_list = arr.tolist()
# 输出list类型及数组内容
print('list类型：', type(arr_list))
print('list内容：', arr_list)
运行结果：
list类型： list内容： [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
方法2：使用for循环遍历
import numpy as np
# 定义一个ndarray数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 定义空列表，用于存放结果
arr_list = []
# 使用for循环遍历每个元素，将其加入列表中
for item in arr:
arr_list.append(list(item))
# 输出list类型及数组内容
print('list类型：', type(arr_list))
print('list内容：', arr_list)
运行结果：
list类型： list内容： [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
二、numpy转tensor
在深度学习框架中，常常用到tensor，即张量，是高维度数组在PyTorch、TensorFlow等框架中的实现。与numpy.array相似，tensor也是一个矩阵，但是与 numpy.ndarray 不同的是，tensor可以在 GPU 上进行运算，是深度学习的基础。下面给出numpy.ndarray到tensor的转换实例：
import torch
import numpy as np
# 定义一个ndarray数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 将ndarray数组转换为tensor
arr_tensor = torch.from_numpy(arr)
# 输出tensor类型及数组内容
print('tensor类型：', type(arr_tensor))
print('tensor内容：', arr_tensor)
运行结果：
tensor类型：
tensor内容： tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]], dtype=torch.int32)
三、numpy.ndarray是啥
作为Python科学计算的基础包，numpy提供了一种快速、高效的多维数组对象 ndarray ，用于存储同类型的数据。它是Python中常用的一个扩展程序库，除了数组，它也提供了大量的数学算法、傅里叶变换以及矩阵运算等功能。
ndarray的主要属性有：
- ndarray.ndim：表示数组的维度。
- ndarray.shape：表示数组的形状，如一个 2×3 的数组，其 shape 属性为 (2, 3)。
- ndarray.size：表示数组的元素个数。
- ndarray.dtype：表示数组的元素类型。
下面给出一个numpy.ndarray的实例：
import numpy as np
# 定义一个ndarray数组
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# 输出数组的维度、形状、元素个数、元素类型
print('数组的维度：', arr.ndim)
print('数组的形状：', arr.shape)
print('数组的元素个数：', arr.size)
print('数组的元素类型：', arr.dtype)
运行结果：
数组的维度： 2 数组的形状： (3, 3) 数组的元素个数： 9 数组的元素类型： int32
四、使用场景
numpy.ndarray的应用场景非常广泛，主要体现在以下几个方面：
- 科学计算和数值分析领域，如数值积分、图像处理、信号处理等。
- 机器学习和深度学习领域中，如图像数据处理、语音识别、自然语言处理等。
- 社交网络、推荐系统等领域的处理。
- 其他科学领域，如地球物理、气象学、经济学等。
由于numpy.ndarray数组具有数值计算速度快、占用空间小、灵活多样的特性，因此在科学计算、数据分析和大规模数据处理等领域得到广泛应用。
原创文章，作者：HXTRF，如若转载，请注明出处：https://www.506064.com/n/334189.html
微信扫一扫 
支付宝扫一扫 