np.array()和np.asarray()有什么区别？

Question

什么是NumPy的np.array和np.asarray之间的区别？我应该在什么情况下使用它们？它们似乎生成相同的输出。

- Benjamin Hodgson

Answer 1

asarray的定义是：

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

它就像array，但选项更少，并且copy=False。默认情况下，array 的选项为 copy=True。

主要区别在于，默认情况下，array 会复制对象，而asarray 只有在必要时才会。

- unutbu

---

那么我们在什么情况下应该使用它们？如果从头开始创建数组，哪个更好，array([1, 2, 3]) 还是 asarray([1, 2, 3])？ - endolith

[1, 2, 3]是Python列表，因此在创建 ndarray 时必须复制数据。因此，请直接使用 np.array 而不是将 copy = False 参数发送到 np.array 的 np.asarray。 如果必须进行复制，例如在此情况下，则会忽略 copy=False。如果在IPython中使用%timeit对这两种方法进行基准测试，您将会看到对于小型列表会有差异，但是对于大型列表使用哪种方法并不重要。 - unutbu

根据这些方法的名称，这是有道理的："asarray"：将其视为数组（原地修改），也就是说，您只是在更改对该列表/数组的查看方式。 "array"：实际上将此转换为新数组。 - Jesper - jtk.eth

np.asanyarray 怎么样？ - wsdzbm

@Lee: asarray总是返回一个ndarray数组。如果传递给asanyarray的参数是ndarray数组的子类，那么它将返回该子类。例如，np.matrix是ndarray数组的子类。因此，np.asanyarray(np.matrix(...))返回相同的矩阵，而np.asarray(np.matrix(...))将矩阵转换为一个ndarray数组。 - unutbu

Answer 2

由于其他关于asanyarray或其他数组创建例程的问题都被重定向到这个问题，因此可能值得简要总结它们各自的作用。

它们的区别主要在于何时返回输入而不更改它，而不是制作一个作为副本的新数组。

array 提供了各种选项（大多数其它函数都只是其薄包装器），包括标志以确定何时进行复制。完整的解释将与文档一样长（请参见数组创建），但简单地说，以下是一些示例：

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

• np.array(a)和np.array(m)都会复制，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 是一个 matrix，是 ndarray 的子类。

np.array(a, dtype=int, copy=False, subok=True) 会复制，因为 dtype 不兼容。

其他大部分函数都是对 array 的薄包装，控制复制发生的时间：

• asarray：仅当输入是相容的 ndarray（copy=False）时，才会返回未复制的输入。
• asanyarray：仅当输入是相容的 ndarray 或 matrix 子类（copy=False，subok=True）时，才会返回未复制的输入。
• ascontiguousarray：仅当输入是连续的 C 顺序相容 ndarray（copy=False，order='C'）时，才会返回未复制的输入。
• asfortranarray：如果输入是一个连续的Fortran顺序（copy=False，order='F'）的兼容 ndarray，则返回未复制的输入。
• require：如果输入与指定的要求字符串兼容，则返回未复制的输入。
• copy：始终复制输入。
• fromiter：将输入视为可迭代对象（例如，您可以从迭代器的元素构建数组，而不是从带有迭代器的元素的 object 数组）；始终复制。

此外还有一些方便的函数，比如asarray_chkfinite（与asarray相同的复制规则，但如果存在任何nan或inf值，则会引发ValueError异常），以及用于子类（如matrix）或特殊情况（如记录数组）的构造函数，当然还有实际的ndarray构造函数（它允许您直接从缓冲区的跨度创建数组）。

- abarnert

---

仅做更正，Numpy的ndarray现在默认的dtype为float64。 - Mohith7548

在第一部分的第4点中，您实际上是指 --- “np.array(a, dtype=int, copy=False, subok=True) 和 np.array(m, dtype=int, copy=False, subok=True) 都会复制，因为 dtype 不兼容。” --- 对吗？提前致谢！ - Milan

Answer 3

这个差异可以通过以下示例来演示：

1. 生成一个矩阵。

 >>> 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。它起作用是因为你正在修改A本身。

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

- Bobbie Wu

Answer 4

差异在于参数列表以及函数根据这些参数的不同而产生的操作。这些差异在array和asarray的文档中已经很清楚地提到了。

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)

以下是可以传递给array而不是asarray的参数：

copy ：bool，可选项如果为true（默认），则会复制对象。否则，仅当__array__返回副本时，如果obj是嵌套序列或需要满足任何其他要求（dtype、order等），才会进行复制。

subok ：bool，可选项如果为True，则将传递子类，否则返回的数组将被强制成一个基类数组（默认）。

ndmin ：int，可选项指定结果数组应具有的最小维数。在需要满足此要求时会在形状前面添加1。

- asheeshr

Answer 5

asarray(x) 类似于 array(x, copy=False)

在进行其他操作之前，使用 asarray(x) 来确保 x 是一个数组。如果 x 已经是一个数组，则不会复制。它不会造成冗余的性能损失。

以下是一个函数的示例，该函数确保首先将 x 转换为一个数组。

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

- off99555

Answer 6

让我们通过以下示例了解np.array()和np.asarray()之间的区别：

np.array()：将输入数据（列表、元组、数组或另一序列类型）转换为ndarray，并默认复制输入数据。

np.asarray()：将输入数据转换为ndarray，但如果输入已经是ndarray，则不进行复制。

# Create an array...
arr = np.ones(5);  # array([1., 1., 1., 1., 1.])

# Now I want to modify `arr` with `array` method. Let's see...
np.array(arr)[3] = 200;  # array([1., 1., 1., 1., 1.])

数组没有改变，因为我们修改的是数组arr的一个副本。

现在，使用asarray()方法来修改arr。

np.asarray(arr)[3] = 200;  # array([1., 200, 1., 1., 1.])

这个数组发生了变化，因为我们现在正在使用原始数组。

- Haroon Hayat

Answer 7

这是一个简单示例，可以演示区别。

主要区别在于数组将复制原始数据，并且我们可以使用不同的对象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进行任何操作，而无需修改原始数组中的内容。

- vivek

Answer 8

不同之处

1. np.array()：将输入数据（如列表、元组等）转换为ndarray，并默认情况下复制输入数据。这会在内存中创建冗余对象。
2. np.asarray()：将输入数据转换为ndarray，但如果输入已经是ndarray，则不进行复制。这更节省内存。

import numpy as np

print("NumPy version:", np.__version__)

NumPy version: 1.22.3

案例1: 当输入为ndarray时使用np.array()。

# STEP 1: Initialize source.
src1 = np.ones(5)
print("Data type:", type(src1))
print("Values:\n", src1)

# STEP 2: Convert to `ndarray`.
arr1 = np.array(src1)               # np.array() is used.
print("\nData type:", type(arr1))
print("Values:\n", arr1)

# STEP 3: Compare source with converted `ndarray`.
print("\nIs Source & new NumPy array same?\n", src1 is arr1)

输出

Data type: <class 'numpy.ndarray'>
Values:
 [1. 1. 1. 1. 1.]

Data type: <class 'numpy.ndarray'>
Values:
 [1. 1. 1. 1. 1.]

Is Source & new NumPy array same?
 False

案例2：当输入为ndarray时使用np.asarray()。

# STEP 1: Initialize source.
src2 = np.ones(5)
print("Data type:", type(src2))
print("Values:\n", src2)

# STEP 2: Convert to `ndarray`.
arr2 = np.asarray(src2)             # np.asarray() is used.
print("\nData type:", type(arr2))
print("Values:\n", arr2)

# STEP 3: Compare source with converted `ndarray`.
print("\nIs Source & new NumPy array same?\n", src2 is arr2)

输出

Data type: <class 'numpy.ndarray'>
Values:
 [1. 1. 1. 1. 1.]

Data type: <class 'numpy.ndarray'>
Values:
 [1. 1. 1. 1. 1.]

Is Source & new NumPy array same?
 True

因此，通过比较两个输出，我们可以得出以下结论：
当在ndarray上使用np.asarray()时，源ndarray和转换后的ndarray是指向内存中同一个对象。

- Dheemanth Bhat