【Numpy】深入剖析Numpy.arange()与range()的区别

简介: 【Numpy】深入剖析Numpy.arange()与range()的区别

问题

Numpy是一个极其常用的而且十分好用的第三方库,特别适用于处理各种多维数组,提供了非常多的方法。arange是生成数组的一种方法,与Python自带的range功能十分相似,那么二者的区别是什么呢?

方法

import numpy as np
a = range(10)
print(a) # range(0, 10)
print(list(a))  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
b = range(1, 10)
print(list(b)) # [1, 2, 3, 4, 5, 6, 7, 8, 9]
c = range(1, 10, 2)
print(list(c)) # [1, 3, 5, 7, 9]
# range的步长不支持小数
# range(1, 10, 0.1)
d = np.arange(10)
print(type(a), type(d), d) # <class 'range'> <class 'numpy.ndarray'> [0 1 2 3 4 5 6 7 8 9]
e = np.arange(1, 10, 1.5) 
print(e) # [1.  2.5 4.  5.5 7.  8.5]

以上可以看到,主要区别在于:

  • 返回的类型不一样,range()返回的是class ‘range’,而np.arange()返回的是class ‘numpy.ndarray’;
  • range()的步长只能是整数,而np.arange()则不受此限制;
  • 由于np.arange()返回的是ndarray,其提供了更加丰富的方法;

结语

目录
相关文章
|
2月前
|
Python
Numpy学习笔记(一):array()、range()、arange()用法
这篇文章是关于NumPy库中array()、range()和arange()函数的用法和区别的介绍。
60 6
Numpy学习笔记(一):array()、range()、arange()用法
NumPy的深浅拷贝的区别与选择
关于深浅拷贝如何进行选择, 我们需要根据实际的项目需求进行使用,选择正确的拷贝方式不但能够节省内存空间,而且在效率上也会大大提高,这也是我们在项目优化方面需要进行考虑的。
|
Python
numpy数组中冒号[:,:,0]与[...,0]的区别
x[:,:,0] 意思是对数组x切片,可以想象成一个正方体数据,每次切下一个面的数据。第二维取0则得出来[3,4]大小的数组
210 0
|
机器学习/深度学习 存储 Serverless
NumPy 与 Python 内置列表计算标准差的区别
NumPy,是 Numerical Python 的简称,用于高性能科学计算和数据分析的基础包,像数学科学工具(pandas)和框架(Scikit-learn)中都使用到了 NumPy 这个包。
|
Python
numpy中dot与*的区别
dot是矩阵相乘,只要矩阵满足前一个矩阵的列与后一个矩阵的行相匹配即可 *是遵循numpy中的广播机制,必须保证行列相对应才可以进行运算 先看一则正例 >>import numpy as np #test1与test2行列相同 >>test1 = np.
1108 0
|
3月前
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
103 0
|
4月前
|
机器学习/深度学习 数据处理 计算机视觉
NumPy实践宝典:Python高手教你如何轻松玩转数据处理!
【8月更文挑战第22天】NumPy是Python科学计算的核心库,专长于大型数组与矩阵运算,并提供了丰富的数学函数。首先需安装NumPy (`pip install numpy`)。之后可通过创建数组、索引与切片、执行数学与逻辑运算、变换数组形状及类型、计算统计量和进行矩阵运算等操作来实践学习。NumPy的应用范围广泛,从基础的数据处理到图像处理都能胜任,是数据科学领域的必备工具。
64 0
|
1月前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
47 3
|
1月前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
65 2
|
3月前
|
机器学习/深度学习 算法 数据可视化
8种数值变量的特征工程技术:利用Sklearn、Numpy和Python将数值转化为预测模型的有效特征
特征工程是机器学习流程中的关键步骤,通过将原始数据转换为更具意义的特征,增强模型对数据关系的理解能力。本文重点介绍处理数值变量的高级特征工程技术,包括归一化、多项式特征、FunctionTransformer、KBinsDiscretizer、对数变换、PowerTransformer、QuantileTransformer和PCA,旨在提升模型性能。这些技术能够揭示数据中的潜在模式、优化变量表示,并应对数据分布和内在特性带来的挑战,从而提高模型的稳健性和泛化能力。每种技术都有其独特优势,适用于不同类型的数据和问题。通过实验和验证选择最适合的变换方法至关重要。
58 5
8种数值变量的特征工程技术:利用Sklearn、Numpy和Python将数值转化为预测模型的有效特征