STM32 LL库中数组创建与range与np.arange对比详解

本篇教程详细介绍了在STM32 LL库环境下使用numpy库创建数组的基本方法以及其在Jupyter Notebook中的应用。首先，我们了解了如何在Python环境中安装和导入numpy库，这对于数据处理和科学计算至关重要。NumPy提供了大量的数学函数和高效的数组操作，是数据分析和机器学习的常用工具。 1. 数组的创建方式： - `np.array()`函数：这是创建numpy数组最基础的方法，通过传入列表、元组或者其他可迭代对象，可以将它们转换为numpy数组。例如，`np.array([0,1,2,3,4,5,6,7,8,9])`创建了一个包含0到9的一维数组。 2. `range()`和`np.arange()`的对比： - `range()`是Python内置的生成器函数，返回一个整数序列，而`np.arange()`则是numpy的等效函数，它能生成等差数列。两者在创建序列时的区别在于灵活性和性能。如`array([2,3,4,5,6,7,8,9,10,11])`和`array([1,2,3,4,5])`展示了这两个函数在创建相同范围数组时的输出。 3. 数组类型： - `numpy.ndarray`是numpy的核心数据结构，代表多维数组。在Python中，数组与列表表现形式相似，但numpy数组提供了更丰富的数学运算和优化性能。 4. Python列表与numpy数组之间的转换： - 通过`np.array()`可以将列表转换为numpy数组，反之亦然，如`data = list(range(10))` -> `data = np.array(data)` 和 `data = data.tolist()`。 5. 性能比较： - 使用`%timeit`函数对比了列表和numpy数组在执行平方运算上的速度差异，`numpy`明显比`列表`更快，特别是在处理大量数据时，性能优势更为显著。 通过本篇教程，读者可以掌握在STM32 LL库环境中使用numpy创建数组的基本技巧，理解其在数值计算和科学计算中的作用，并了解如何在性能上优化列表与numpy数组的操作。对于初学者来说，这是一个很好的numpy入门指南。