Python numpy中ndarray核心原理与内存结构详解

在上一期关于Python numpy模块的文章中，我们介绍了该模块的安装、基本使用方法及其主要特点等入门知识。

• numpy是一个开源的第三方Python库，广泛应用于科学和工程领域，它是科学Python及PyData生态系统的核心组件。
• numpy模块以其易学易用的特性著称，能够满足从初学者到高级科学研究员的各类需求。
• 除了与matplotlib配合使用外，numpy还在Pandas、Scipy、scikit-learn等科学Python库中发挥着重要作用。
• numpy模块提供了多维数组和矩阵数据结构，专门定义了用于创建n维数组对象的ndarray，并提供了针对该对象的高效操作方法。
• 此外，numpy还支持对数组执行各种数学运算，提供了高级数学函数库以及针对数组和矩阵的操作功能。

众所周知，数组对象是numpy模块的核心功能，本期我们将重点学习numpy数组的相关内容。

1. 什么是 ndarray？

ndarray 概念

数组是numpy模块的核心数据结构。数组本质上是值的网格，其内部包含原始数据、元素定义方式以及元素解释信息。我们可以使用多种方式对元素网格进行索引。

ndarray是numpy模块中定义的n维数组类型，它可以描述同种类型项目的集合。

• 同种数据类型：numpy数组中的所有元素必须属于同一类型，例如int32、float64等。
• 同大小内存空间：每个项目占用相同大小的内存块。
• 同方式解释：每个项目由object数据类型指定，且每个数组都关联一个特定的数据类型对象。
• 可以使用N个整数对项目的索引进行定位。

ndarray 内部关系

从数组中可以提取由Python对象表示的信息，例如索引是numpy内置数组标量类型之一，我们可以利用数组标量轻松操作复杂的数据排列。

通过上述ndarray内部结构分析，我们可以看到ndarray 主要由dtype、shape、stride组成。

• ndarray指向内存映射地址的指针，即data对象。
• 用于形象化解释ndarray元素的dtype对象。
• 描述每个维度中元素之间间隔的strides对象（元组类型）。
• 描述每个维度数量和大小的shape对象（元组类型）。

以上四个python对象使得通过索引方式在ndarray中定位指定位置的数据成为可能。

同时，我们可以调用np.array().flags 获取字节序、读写权限等信息，从而得知ndarray 底层是由C和Fortran实现的。

  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

2. ndarray 内存结构

ndarray 内存结构

我们通过numpy.array 方法创建一个二维数组。

numpy.array(object, dtype = None, copy = True, order = None, subok = False, ndmin = 0)

import numpy as np

a = np.array([[1,2],[4,5],[7,8]])

print("dim:",a.ndim)
print("strides:",a.strides)
print("dtype:",a.dtype)
print("data:",a.data)
print("shape:",a.shape)
print(a)

通过array对象调用ndarray 标量对象，可以获知ndarray的维度大小、元素类型、间隔等信息。

通过上述图示，我们可以知道ndarray内存主要划分为两部分：

• raw data：计算机中一段连续的block，存储在C或Fortran中的数组数据。
• metdata：有关原始数组数据的元信息。

3. ndarray vs list

ndarray 特点

• ndarray 要求所有数据必须是同种类型。
• 每个数据占用的空间大小一致。
• 数组中存储的数据位于一段连续的空间内。

list 特点

• 可以容纳不同数据类型。
• list中只存放对象的引用，再通过引用找到具体的对象。
• 对象的物理地址并不连续。

综上所述，ndarray 查找数据的运行效率比list更快，同时ndarray 存储的数据是连续的一段空间，对比list对象物理地址分散的情况，ndarray比list更节省空间。

总结：

本期学习了numpy模块核心之一ndarray数组对象的内存原理，以及与Python list的对比知识。

ndarray中的所有项目元素均为同类型数据，且存储空间是连续的。

无论是在数据查找、存储还是数据计算等功能上，ndarray都明显优于Python list。

到此这篇关于Python numpy中ndarray介绍的文章就介绍到这了，更多相关Python numpy-ndarray内容请搜索本站以前的文章或继续浏览下面的相关文章，希望大家以后多多支持本站！