NDArray|NDArray 与 numpy.ndarray 互相转换方式 NDArray与numpy.ndarray互相转换方式

NDArray与numpy.ndarray互相转换
NumPy与ndarray简介

NumPy简介
数组ndarray

NDArray与numpy.ndarray互相转换

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

NumPy与ndarray简介
NumPy简介
NumPy的全名为Numeric Python，是一个开源的Python科学计算库，它包括：

一个强大的N维数组对象ndrray；
比较成熟的（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的优点：

对于同样的数值计算任务，使用NumPy要比直接编写Python代码便捷得多；
NumPy中的数组的存储效率和输入输出性能均远远优于Python中等价的基本数据结构，且其能够提升的性能是与数组中的元素成比例的；
NumPy的大部分代码都是用C语言写的，其底层算法在设计时就有着优异的性能，这使得NumPy比纯Python代码高效得多

当然，NumPy也有其不足之处，由于NumPy使用内存映射文件以达到最优的数据读写性能，而内存的大小限制了其对TB级大文件的处理；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的优势也就不那么明显。

数组ndarray
NumPy最重要的一个特点就是其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，该对象由两部分组成：

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：


reshape(…)	返回一个给定shape的数组的副本
resize(…)	返回给定shape的数组，原数组shape发生改变
flatten()/ravel()	返回展平数组，原数组不改变
astype(dtype)	返回指定元素类型的数组副本
fill()	将数组元素全部设定为一个标量值
sum/Prod()	计算所有数组元素的和/积
mean()/var()/std()	返回数组元素的均值/方差/标准差
max()/min()/ptp()/median()	返回数组元素的最大值/最小值/取值范围/中位数
argmax()/argmin()	返回最大值/最小值的索引
sort()	对数组进行排序，axis指定排序的轴；kind指定排序算法，默认是快速排序
view()/copy()	view创造一个新的数组对象指向同一数据；copy是深复制
tolist()	将数组完全转为列表，注意与直接使用list(array)的区别
compress()	返回满足条件的元素构成的数组