前言

来看NumPy库的应该都是接触到庞大数据处理的朋友吧。NumPy是一个简洁好用的数据库，尤其是在科学计算上，专为进行严格数字处理而产生的。其中的ndarray可以说是NumPy库的心脏，它提供了一个强大的N维数组对象，这一章我们先来简洁的了解一下数组和列表的区别。

ndarray数组or列表？

1.创建方式不同

list是Python中基础的数据类型，不用引入任何库包，直接使用[  ]创建即可（例如：a=['CSDN','123']）；ndarray是NumPy函数库中的函数，在使用array时需要引入NumPy数据库：

实例1：

~~~python

import numpy as np

# 用普通的英语理解这句语法，导入numpy库当作np，即起小名字，别号

j=np.array([1,2,3,4])

~~~

2.存储对象不同

列表可以存储任何的对象，包括数字，字符串，数组，字典等等；而数组只能存储单一的数据类型（当然混杂起来存储也不是不行，需要修改数据类型为object，但是这已经违背了产生这个函数库的初衷），存储类型的不同，也决定了我们应该在什么时候用到ndarray数组亦或是列表；

实例2：

~~~python

import numpy as np

g=np.array(['欢迎!','这里是CSDN',123])

print(g)

print(type(g[2]))

~~~

这一段代码看似已经不符合array数组只能存储单一数据的性质，因为123是整型数据，而前面两个元素都是字符串，其实不然，123的数据类型已经被它偷偷的转换了

>代码运行结果如下

 可以看到123的数据类型已经被转换成字符串的类型

 3.运算方式不同

数组可以进行四则运算，它会对数组中的每一个元素对应进行运算；而列表只能使用加号进行拼接，拼接之后会形成一个新的列表：

实例2

~~~python

g=['欢迎','来到']

l=['CSDN','!']

print(g+l)

~~~

运行结果如下：

 4.运行效率不同

array数组是为了精确便捷的处理“庞大的类似的”数据而产生的，他的存储效率要比列表快着很多

实例3：

~~~python

import numpy as np

import datetime

#datetime.datetime.now()是为了获取当前时间

start1=datetime.datetime.now()

g=[]                      #创建一个空列表

for i in range(1,100000): #循环将1至1000000的数字添入列表中

    g.append(i)

end1=datetime.datetime.now()

start2=datetime.datetime.now()

l=np.array(g)            #将z列表的数字依次复制到j数组

end2=datetime.datetime.now()

print('list存储时间：',end1-start1)

print('数组存储时间：',end2-start2)

~~~

代码运行结果如下：

 一般array存储数据的速度比列表存储数据的速度快，这一点尤其体现在多而重复的数据处理上，大家可以去Python中尝试一下

总结：数组和列表的运用

1.列表因为其存储的类型可以是任何对象，因此列表的用处更广泛，更多样化，并且列表可以有更多的存储空间去使用，而数组使用的空间就相对较少

2.列表多样化也不一定是好处，因为列表存储的方式和存储类型杂乱，导致在处理一些庞大重复的数据时占据的资源太多

3.ndarray数组和列表处理数据的时间对于我们来说只是一眨眼的事情，但是对于计算机来说却不可忽略，尤其在进行大量数据处理时，数组和列表处理数据的时间差别会更明显

4.在计算机编程中，我们一般要求代码简洁，快速，并且占用的运行资源少，因此就诞生了NumPy函数库，用于更加精确便捷的科学计算

后面将会以小白的视角持续去记录自己的学习心得，有描述的不对的地方，希望大家予以指出并多多支持~