python数组格式

在 Python 中，数组通常使用列表（list）来表示。列表是一种有序的集合，可以存储任意类型的数据。例如，下面是一个包含整数、浮点数和字符串的列表：

my_list = [1, 2.0, "hello"]

除了列表，Python 还提供了其他类型的数组，如 NumPy 数组和 Pandas 数据框。这些数组通常用于数值计算和数据分析任务。

相关问题

python 数组 使用

### 使用NumPy中的N维数组

在Python中处理数值数据时，`ndarray` 是 NumPy 库的核心对象之一。这种多维数组提供了高效的存储方式以及丰富的操作函数来处理大规模的数据集[^1]。

#### 创建和检查数组

可以利用多种方法创建 `ndarray` 对象：

- **从列表或其他序列类型转换而来**

  import numpy as np
  
  my_list = [1, 2, 3]
  array_from_list = np.array(my_list)

- **通过特定功能生成**

- 填充指定形状的全0或全1矩阵：

    zeros_array = np.zeros((3, 4))  # 形状为(3,4)的零矩阵
    ones_array = np.ones((2, 3))    # 形状为(2,3)的一矩阵

- 构建具有固定间隔值的空间向量：

    linspace_example = np.linspace(start=0, stop=10, num=5)

为了查看已创建数组的信息，比如其维度大小、元素总数等，可调用如下属性：

print(array_from_list.shape)      # 输出 (3,)
print(zeros_array.size)           # 输出 12

#### 组合现有数组形成新数组

当需要将多个现有的子数组拼接成更大的结构化形式时，可以通过水平堆叠(`hstack`)、垂直堆叠(`vstack`)等方式实现：

A = np.eye(2)       # 单位阵
B = np.full((2, 2), 7)

combined_matrix = np.vstack([np.hstack([np.zeros_like(A), A]), 
                             np.hstack([B, B])])

对于更复杂的嵌套情况，则可能需要用到高级接口如 `bmat()` 函数[^2]；不过需要注意的是该函数默认返回的是matrix类实例而非普通的ndarray，在必要情况下应当显式地将其转回常规数组格式。

#### 数据框列的选择

除了上述基本操作之外，有时还需要从业务逻辑相关的表格型数据集中提取感兴趣的字段作为新的视图展示出来。此时借助 Pandas 的 `.loc[]` 或者 `.iloc[]` 方法能够方便快捷地完成这一目标[^4]。

例如给定一个包含员工信息的数据帧df，从中选取姓名(name)，年龄(age)及薪资(salary)三栏构成的新表单可通过下面语句获得:

selected_columns_df = df[['name', 'age', 'salary']]

python数组初始化

在Python中，可以使用多种方式进行数组的初始化。引用中提到了正确的二维数组初始化方式是`a = [[0 for j in range(n)] for i in range(n)]`，这样可以确保每个元素都是独立的。而错误的初始化方式是`a = [0 * n * n`，这样会导致每一行的元素都引用同一个对象，修改其中一个元素会影响到其他行的元素。

需要注意的是，严格意义上说，Python中并没有数组的概念，可以使用不同的数据结构来表达一组数据，如列表（list）、元组（tuple）和集合（set）等。引用中提到了Python中表达一组数据的多种形式。

如果想对数组进行求和操作，可以使用NumPy库的`sum()`函数。但需要注意，普通的数组无法直接使用`sum()`函数，即`list.sum()`会出错。可以将数组转化为NumPy数组，然后使用`np.sum(list)`进行求和，适用于不想将数组改为NumPy数组的情况。引用提供了使用`np.sum()`函数求和的示例代码，并介绍了不同的`axis`参数的用法，可以对数组的行或列进行求和操作，返回一维数组。如果需要保留格式，可以使用`np.mat(nplist)`将数组转化为矩阵，然后使用`axis=0/1`参数返回二维数组。

总结起来，Python中可以使用多种数据结构来表达一组数据，而数组的初始化可以使用合适的方式进行，同时可以使用NumPy库的`sum()`函数对数组进行求和操作。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [[Python] 二维数组初始化实践](https://blog.csdn.net/u013250416/article/details/127417526)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"]
- *2* [Python如何创建二维数组和初始化](https://blog.csdn.net/oJinGangZuan/article/details/126870747)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"]
- *3* [Python数组初始化固定长度、求和、简单文本处理](https://blog.csdn.net/qq_41602595/article/details/88688644)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"]
[ .reference_list ]