「正確」的方式與numpy對象進行交互

我一直在使用科學python（通過from pylab import *）一段時間作爲一個免費的Matlab替代品，主要用於化學工程（我是IPython的粉絲筆記本）。對我而言，總覺得奇怪的事實是，通常有兩種不同的方式與對象進行交互。舉例來說，如果我有一個數組，我可以告訴在兩個方面的維度：「正確」的方式與numpy對象進行交互

a = array([1,2,3],[2,3,4])

有該公司的Matlab「的方式：

shape(a)

或者代替我能找到它打字：

a.shape

這似乎違背PYT的禪洪：「應該有一個 - 最好只有一個 - 明顯的方法來做到這一點」

我只是想知道爲什麼有多種方式做同樣的事情，哪種做法更基礎/自然的語言，從長遠來看最好使用。

來源

2013-10-23 tom

使用該方法是優選的。畢竟，shape實施只是推遲的方法呢（從/numpy/core/fromnumeric.py）：

def shape(a): 
    try: 
     result = a.shape 
    except AttributeError: 
     result = asarray(a).shape 
    return result

我承擔了很多這方面的東西pylab只是包括幫助緩解人們從MATLAB來過渡。習慣它，因爲許多更多numpy的例子，ahem，不是很pythonic。

當你更習慣於python和matplotlib時，你可能會想拋棄from pylab import *，並開始編寫更多的numpythonic代碼，而不是MATLAB風格的工作。

來源

2013-10-23 00:49:55 wim

它主要歸結爲一個偏好問題，但是您可能想要了解一些差異。首先，你應該使用numpy.shape(a)或np.shape(a)而不是shape(a)，這是因爲「命名空間是一個好點子 - 讓我們做更多的！」但實際上，numpy有幾個名字，你可能會在其他python模塊中找到，例如array在Python stdlib，numpy.array和numpy.ma.array中出現array.array，所以爲了避免混淆其他（和你自己），只需繼續並避免導入整個numpy命名空間。

除此之外，事實證明numpy.shape，和大多數其他類似的功能，只是在參數上尋找形狀屬性/方法，如果他們沒有找到一個，他們嘗試並將參數轉換爲數組。下面是代碼：

def shape(a): 
    try: 
     result = a.shape 
    except AttributeError: 
     result = asarray(a).shape 
    return result

如果你想要一個「array_like」對象的形狀。這可能是有用的，你會發現大多數numpy的功能，採取「array_like」的論點。但是，如果您正在做類似的事情，速度可能會很慢：

shape = np.shape(list_of_lists) 
mx = np.max(list_of_lists) 
mn = np.min(list_of_lists)

除此之外，它們幾乎相同。

來源

2013-10-23 00:58:16

「正確」的方式與numpy對象進行交互

回答

相關問題