詳解numpy.ndarray轉list

一、從numpyarray轉list

NumPy是Python科學計算的基礎包，提供了一種快速、高效的多維數組對象 ndarray ，用於存儲同類型的數據。在NumPy中，多維數組ndarray是最重要的數據結構，它是一個由同類型元素組成的矩陣，具備高效的數值計算功能。但是，有時候我們需要將ndarray轉換為Python中的list對象，便於進行其他操作或對數據進行處理。

下面給出兩種方法實現numpy.ndarray轉list：

方法1：使用tolist()

import numpy as np

# 定義一個ndarray數組
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 使用tolist()方法將ndarray數組轉為list
arr_list = arr.tolist()

# 輸出list類型及數組內容
print('list類型：', type(arr_list))
print('list內容：', arr_list)

運行結果：

list類型： 
list內容： [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

方法2：使用for循環遍歷

import numpy as np

# 定義一個ndarray數組
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 定義空列表，用於存放結果
arr_list = []

# 使用for循環遍歷每個元素，將其加入列表中
for item in arr:
    arr_list.append(list(item))

# 輸出list類型及數組內容
print('list類型：', type(arr_list))
print('list內容：', arr_list)

運行結果：

list類型： 
list內容： [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

二、numpy轉tensor

在深度學習框架中，常常用到tensor，即張量，是高維度數組在PyTorch、TensorFlow等框架中的實現。與numpy.array相似，tensor也是一個矩陣，但是與 numpy.ndarray 不同的是，tensor可以在 GPU 上進行運算，是深度學習的基礎。下面給出numpy.ndarray到tensor的轉換實例：

import torch
import numpy as np

# 定義一個ndarray數組
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 將ndarray數組轉換為tensor
arr_tensor = torch.from_numpy(arr)

# 輸出tensor類型及數組內容
print('tensor類型：', type(arr_tensor))
print('tensor內容：', arr_tensor)

運行結果：

tensor類型： 
tensor內容： tensor([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]], dtype=torch.int32)

三、numpy.ndarray是啥

作為Python科學計算的基礎包，numpy提供了一種快速、高效的多維數組對象 ndarray ，用於存儲同類型的數據。它是Python中常用的一個擴展程序庫，除了數組，它也提供了大量的數學演算法、傅里葉變換以及矩陣運算等功能。

ndarray的主要屬性有：

• ndarray.ndim：表示數組的維度。
• ndarray.shape：表示數組的形狀，如一個 2×3 的數組，其 shape 屬性為 (2, 3)。
• ndarray.size：表示數組的元素個數。
• ndarray.dtype：表示數組的元素類型。

下面給出一個numpy.ndarray的實例：

import numpy as np

# 定義一個ndarray數組
arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 輸出數組的維度、形狀、元素個數、元素類型
print('數組的維度：', arr.ndim)
print('數組的形狀：', arr.shape)
print('數組的元素個數：', arr.size)
print('數組的元素類型：', arr.dtype)

運行結果：

數組的維度： 2
數組的形狀： (3, 3)
數組的元素個數： 9
數組的元素類型： int32

四、使用場景

numpy.ndarray的應用場景非常廣泛，主要體現在以下幾個方面：

• 科學計算和數值分析領域，如數值積分、圖像處理、信號處理等。
• 機器學習和深度學習領域中，如圖像數據處理、語音識別、自然語言處理等。
• 社交網路、推薦系統等領域的處理。
• 其他科學領域，如地球物理、氣象學、經濟學等。

由於numpy.ndarray數組具有數值計算速度快、佔用空間小、靈活多樣的特性，因此在科學計算、數據分析和大規模數據處理等領域得到廣泛應用。