基本转换示例

import numpy as np

# 创建Python列表
py_list = [1, 2, 3, 4, 5]

# 转换为NumPy数组
np_array = np.array(py_list)

print("原始列表:", py_list)
print("转换后的数组:", np_array)
print("数组类型:", type(np_array))
print("数组形状:", np_array.shape)
print("数组数据类型:", np_array.dtype)

# 创建嵌套列表
matrix_list = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

# 转换为二维数组
np_matrix = np.array(matrix_list)

print("二维数组:\n", np_matrix)
print("数组维度:", np_matrix.ndim)
print("数组形状:", np_matrix.shape)

float_list = [1.0, 2.5, 3.7, 4.2]

# 指定数据类型为float32
np_float32 = np.array(float_list, dtype=np.float32)

# 指定数据类型为整数
np_int = np.array(float_list, dtype=np.int32)

print("浮点数组:", np_float32)
print("整数数组:", np_int)

基本转换示例

import numpy as np

# 创建NumPy数组
np_array = np.array([10, 20, 30, 40, 50])

# 转换为Python列表
py_list = np_array.tolist()

print("原始数组:", np_array)
print("转换后的列表:", py_list)
print("列表类型:", type(py_list))

# 创建二维数组
np_matrix = np.array([[1.1, 2.2, 3.3], [4.4, 5.5, 6.6]])

# 转换为嵌套列表
matrix_list = np_matrix.tolist()

print("原始数组:\n", np_matrix)
print("转换后的列表:", matrix_list)
print("第二行第二列:", matrix_list[1][1])

# 创建布尔数组
bool_array = np.array([True, False, True])

# 创建复数数组
complex_array = np.array([1+2j, 3+4j, 5+6j])

print("布尔数组转换:", bool_array.tolist())
print("复数数组转换:", complex_array.tolist())

数据类型	1,000个元素	100,000个元素	1,000,000个元素
Python list	约 80 KB	约 8 MB	约 80 MB
NumPy ndarray (int32)	约 4 KB	约 400 KB	约 4 MB
内存节省	20倍	20倍	20倍

在Python数据科学工作中，掌握ndarray和list之间的转换至关重要：

• list → ndarray：使用np.array()函数，可指定dtype
• ndarray → list：使用tolist()方法，自动处理多维数组
• 转换操作会创建数据副本，大型数据集转换需谨慎
• 根据任务需求选择合适的数据结构：数值计算用ndarray，通用编程用list

掌握高效的数据结构转换技巧，可以显著提升您的Python数据处理能力和程序性能！