NDArray与numpy.ndarray互相转换
import numpy as np
from mxnet import nd
# numpy.ndarray 变 mx.NDArray
np_val = np.array([1, 2, 3]) # 定义一个numpy.ndarray
nd_val = nd.array(np_val) # 深复制
# NDArray 变 numpy.ndarray
np_val_ = nd_val.asnumpy()NumPy与ndarray简介
NumPy简介
NumPy的全名为Numeric Python，是一个开源的Python科学计算库，它包括：
- 一个强大的N维数组对象ndrray；
- 比较成熟的（广播）函数库；
- 用于整合C/C++和Fortran代码的工具包；
- 实用的线性代数、傅里叶变换和随机数生成函数
NumPy的优点：
- 对于同样的数值计算任务，使用NumPy要比直接编写Python代码便捷得多；
- NumPy中的数组的存储效率和输入输出性能均远远优于Python中等价的基本数据结构，且其能够提升的性能是与数组中的元素成比例的；
- NumPy的大部分代码都是用C语言写的，其底层算法在设计时就有着优异的性能，这使得NumPy比纯Python代码高效得多
当然，NumPy也有其不足之处，由于NumPy使用内存映射文件以达到最优的数据读写性能，而内存的大小限制了其对TB级大文件的处理；此外，NumPy数组的通用性不及Python提供的list容器。因此，在科学计算之外的领域，NumPy的优势也就不那么明显。
数组ndarray
NumPy最重要的一个特点就是其N维数组对象（即ndarray）,该对象是一个快速而灵活的大数据集容器，该对象由两部分组成：
- 实际的数据；
- 描述这些数据的元数据；
大部分的数组操作仅仅是修改元数据部分，而不改变其底层的实际数据。数组的维数称为秩，简单来说就是如果你需要获取数组中一个特定元素所需的坐标数，如a是一个2×3×4的矩阵，你索引其中的一个元素必须给定三个坐标a[x,y,z]，故它的维数就是3。而轴可以理解为一种对数组空间的分割，以数组a为例，如果我们以0为轴，那么a可以看成是一个由两个元素构成的数组，其中每个元素都是一个3×4的数组。
我们可以直接将数组看作一种新的数据类型，就像list、tuple、dict一样，但数组中所有元素的类型必须是一致的，Python支持的数据类型有整型、浮点型以及复数型，但这些类型不足以满足科学计算的需求，因此NumPy中添加了许多其他的数据类型，如bool、inti、int64、float32、complex64等。同时，它也有许多其特有的属性和方法。
常用ndarray属性：
dtype 描述数组元素的类型
shape 以tuple表示的数组形状
ndim 数组的维度
size 数组中元素的个数
itemsize 数组中的元素在内存所占字节数
T 数组的转置
flat 返回一个数组的迭代器，对flat赋值将导致整个数组的元素被覆盖
real/imag 给出复数数组的实部/虚部
nbytes 数组占用的存储空间
常用ndarray方法：
| reshape(…) | 返回一个给定shape的数组的副本 |
| resize(…) | 返回给定shape的数组，原数组shape发生改变 |
| flatten()/ravel() | 返回展平数组，原数组不改变 |
| astype(dtype) | 返回指定元素类型的数组副本 |
| fill() | 将数组元素全部设定为一个标量值 |
| sum/Prod() | 计算所有数组元素的和/积 |
| mean()/var()/std() | 返回数组元素的均值/方差/标准差 |
| max()/min()/ptp()/median() | 返回数组元素的最大值/最小值/取值范围/中位数 |
| argmax()/argmin() | 返回最大值/最小值的索引 |
| sort() | 对数组进行排序，axis指定排序的轴；kind指定排序算法，默认是快速排序 |
| view()/copy() | view创造一个新的数组对象指向同一数据；copy是深复制 |
| tolist() | 将数组完全转为列表，注意与直接使用list(array)的区别 |
| compress() | 返回满足条件的元素构成的数组 |
以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程网。
