Numpy 的 array() 和 asarray() 函数有啥区别？

Posted 2023-02-23

【中文标题】Numpy 的 array() 和 asarray() 函数有啥区别？

【英文标题】：What is the difference between Numpy's array() and asarray() functions?Numpy 的 array() 和 asarray() 函数有什么区别？

【发布时间】：2013-01-03 03:44:47

【问题描述】：

Numpy 的array() 和asarray() 函数有什么区别？什么时候应该使用一种而不是另一种？它们似乎为我能想到的所有输入生成相同的输出。

【参考方案1】：

由于其他问题被重定向到这个询问asanyarray 或other array creation routines 的问题，因此可能值得简要总结一下它们各自的作用。

区别主要在于何时将输入原样返回，而不是制作一个新数组作为副本。

array 提供了多种选项（大多数其他功能都是围绕它的薄包装），包括确定何时复制的标志。完整的解释与文档一样长（请参阅Array Creation，但简单来说，这里有一些示例：

假设a 是ndarray，m 是matrix，它们都有dtype 的float32：

np.array(a) 和 np.array(m) 将复制两者，因为这是默认行为。 np.array(a, copy=False) 和 np.array(m, copy=False) 将复制 m 但不会复制 a，因为 m 不是 ndarray。 np.array(a, copy=False, subok=True) 和np.array(m, copy=False, subok=True) 都不会复制，因为m 是matrix，它是ndarray 的子类。 np.array(a, dtype=int, copy=False, subok=True) 将复制两者，因为 dtype 不兼容。

大多数其他函数都是围绕array 的瘦包装器，用于控制何时发生复制：

asarray：如果输入是兼容的ndarray (copy=False)，则输入将原封不动地返回。 asanyarray：如果输入是兼容的 ndarray 或类似 matrix 的子类（copy=False，subok=True），则输入将原封不动地返回。 ascontiguousarray：如果输入是兼容的 ndarray 在连续 C 顺序中（copy=False、order='C')），则输入将未复制返回。 asfortranarray：如果输入是兼容的 ndarray，则将在连续 Fortran 顺序（copy=False、order='F'）中未复制地返回。 require: 如果输入与指定的要求字符串兼容，则输入将原封不动地返回。 copy：输入总是被复制的。 fromiter：输入被视为可迭代的（例如，您可以从迭代器的元素构造一个数组，而不是使用迭代器的object 数组）；总是被复制。

还有一些便利函数，例如asarray_chkfinite（与asarray 相同的复制规则，但如果有任何nan 或inf 值，则引发ValueError），以及子类的构造函数，例如matrix 或对于像记录数组这样的特殊情况，当然还有实际的 ndarray 构造函数（它可以让您直接在缓冲区上跨步创建一个数组）。

【讨论】：

谢谢，很有帮助

纠正一下，Numpy 的 ndarray 现在将 float64 作为默认 dtype。

在第一部分，在第 4 点，您实际上的意思是 --- "np.array(a, dtype=int, copy=False, subok=True) 和 np.array(m, dtype=int, copy=False, subok=True) 将复制两者，因为 @987654386 @ 不兼容。” --- 对吗？提前致谢！

对此表示感谢！

【参考方案2】：

asarray(x) 就像array(x, copy=False)

如果您希望在完成任何其他操作之前确保x 将是一个数组，请使用asarray(x)。如果x 已经是一个数组，则不会进行任何复制。它不会导致多余的性能损失。

这是一个确保x首先转换为数组的函数示例。

def mysum(x):
    return np.asarray(x).sum()

【参考方案3】：

这个例子可以证明区别：

生成矩阵

>>> A = numpy.matrix(numpy.ones((3,3)))
>>> A
matrix([[ 1.,  1.,  1.],
        [ 1.,  1.,  1.],
        [ 1.,  1.,  1.]])

使用numpy.array 修改A。不起作用，因为您正在修改副本

>>> numpy.array(A)[2]=2
>>> A
matrix([[ 1.,  1.,  1.],
        [ 1.,  1.,  1.],
        [ 1.,  1.,  1.]])

使用numpy.asarray 修改A。它起作用了，因为您正在修改 A 本身

>>> numpy.asarray(A)[2]=2
>>> A
matrix([[ 1.,  1.,  1.],
        [ 1.,  1.,  1.],
        [ 2.,  2.,  2.]])

希望这会有所帮助！

【参考方案4】：

这里有一个简单的例子，可以证明不同之处。

主要区别在于数组会复制原始数据，使用不同的对象我们可以修改原始数组中的数据。

import numpy as np
a = np.arange(0.0, 10.2, 0.12)
int_cvr = np.asarray(a, dtype = np.int64)

数组 (a) 中的内容保持不变，我们仍然可以使用另一个对象对数据执行任何操作，而无需修改原始数组中的内容。

【参考方案5】：

definition of asarray 是：

def asarray(a, dtype=None, order=None):
    return array(a, dtype, copy=False, order=order)

所以它就像array，只是它的选项更少，还有copy=False。 array 默认有 copy=True。

主要区别在于array（默认情况下）会复制对象，而asarray 除非必要否则不会。

【讨论】：

那么我们应该什么时候使用它们呢？如果从头开始创建数组，array([1, 2, 3]) 或 asarray([1, 2, 3]) 哪个更好？

@endolith: [1, 2, 3] 是一个 Python 列表，因此必须复制数据以创建 ndarary。所以直接使用np.array 而不是np.asarray，这会将copy=False 参数发送到np.array。如果必须像在这种情况下那样制作副本，则忽略copy=False。如果您在 IPython 中使用 %timeit 对两者进行基准测试，您会发现小型列表的差异，但对于大型列表，您使用哪个几乎无关紧要。

根据方法名称也是有道理的：“asarray”：将其视为一个数组（就地），也就是说，你只是在改变你对这个列表/数组的看法。 "array": 实际上把它转换成一个新的数组。

np.asanyarray 怎么样？

@Lee: asarray 总是返回一个ndarray。 asanyarray 将返回 ndarray 的子类，如果这是传递给它的内容。例如，np.matrix 是ndarray 的子类。所以np.asanyarray(np.matrix(...)) 返回相同的矩阵，而np.asarray(np.matrix(...)) 将矩阵转换为ndarray。

【参考方案6】：

array 和asarray 的文档中非常清楚地提到了这些差异。区别在于参数列表，因此函数的操作取决于这些参数。

函数定义为：

numpy.array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)

和

numpy.asarray(a, dtype=None, order=None)

以下参数是可以传递给array 和不 asarray 的参数，如文档中所述：

copy : bool，可选 如果为 true（默认），则复制对象。 否则，仅当__array__ 返回一个副本时才会生成一个副本，如果 obj 是一个嵌套序列，或者如果需要一个副本来满足任何 其他要求（数据类型、顺序等）。

subok : bool, optional 如果为真，那么子类将是 传递，否则返回的数组将被强制为 基类数组（默认）。

ndmin : int, optional 指定最小维数 结果数组应该有。那些将预先添加到形状 根据需要满足此要求。