Python中range、np.arange和np.linspace的区别

1. range

range是python内置的一个类，该类型表示一个不可改变(immutable)的数字序列，常常用于在for循环中迭代一组特殊的数，它的原型可以近似表示如下：

class range(stop)
class range(start, stop, step=1)

（注意，Python是不允许定义两个类初始化函数的，其实其CPython实现更像是传入不定长参数*args，然后根据len(args)来进行不同的拆分，但我们这里遵循Python文档风格写法）

如果只传入stop参数，那么我们就默认在[0, stop)区间以步长1进行迭代。如果传入2或3个参数，则我们会将在[start, stop)区间以step步长(可选，默认为1)迭代 。注意，三个参数必须全部为整数值。

它的常见使用样例如下：

print(list(range(10)))
# [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
print(list(range(0, 30, 5)))
# [0, 5, 10, 15, 20, 25]

当stop<=start时，而直接采用默认的step=1时，元素会为空：

print(list(range(0)))
# []
print(list(range(1, 0)))
# []

此时的迭代我们需要将迭代步长设置为负：

print(list(range(0, -10, -1)))
# [0, -1, -2, -3, -4, -5, -6, -7, -8, -9]

如果非法地传入非整数的参数，如：

print(list(range(10, 0.3)))

则会报以下的TypeError：

'float' object cannot be interpreted as an integer

最后提一下，我们常常会写下如下代码：

for i in range(10):
    print(i)

此时Python解释器实质上会将range对象隐式转化为迭代器，等价于如下代码：

list_iterator = iter(range(10))
try:
    while True:
        x = next(list_iterator)
        print(x)
except StopIteration:
    pass

2. numpy.arange

numpy.arange是NumPy包的一个函数，它的功能与Python内置的range类似，它的原型可以近似表示为：

numpy.arange(stop, dtype=None, like=None)
numpy.arange(start, stop, step=1, dtype=None, like=None)

（还是如前面所说，Python是不允许定义两个类初始化函数的，其实其CPython实现更像是传入不定长参数*args，然后根据len(args)来进行不同的拆分，但我们这里遵循Python文档风格写法）

其中start、step、step的使用与range类似，此处不再赘述，唯一的区别就是这3个参数都可以是小数。dtype为返回array的类型，如果没有给定则会从输入输入参数中推断。like为一个array-like的类型，它允许创建非NumPy arrays的arrays类型。

总结一下，该类与Python内置的range区别有两点：一是支持小数参数，二是返回ndarray类型而非像range那样常常做为(隐式转换为)list类型使用。

以下是其常见用例：

print(np.arange(3))
# [0 1 2]
print(np.arange(3.0))
# [0. 1. 2.]
print(np.arange(3,7))
# [3 4 5 6]
print(np.arange(3,7,2))
# [3 5]
print(np.arange(0, 5, 0.5))
#[0.  0.5 1.  1.5 2.  2.5 3.  3.5 4.  4.5]

注意，在numpy.arange的使用过程中可能存在浮点稳定性的问题，从而导致下面这样的意想不到的结果：

print(np.arange(0, 5, 0.5, dtype=int))
# [0 0 0 0 0 0 0 0 0 0]
print(np.arange(-3, 3, 0.5, dtype=int))
# [-3 -2 -1  0  1  2  3  4  5  6  7  8]

这是因为在np.arange的内部实现中，实际上的step值是按照公式dtype(start+step)-dtype(start)来计算的，而非直接采用step。当进行强制类型转换（上面例子中转为int,即朝0方向取整）或start远远比step大时，会出现精度的损失。在这种情况下，建议使用下面提到的np.linspace：

3. numpy.linspace

numpy.linspace也是Numpy内置的一个函数，它和numpy.arange类似，但是它不再是简单的[start, stop)左闭右开，也没有使用步长step，而是使用样本个数num。其函数原型如下：

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

其中当endpoint采用默认的True时，start和stop表示序列的开始和初始值(闭区间[start, stop])，num为区间[start, stop]按照均匀(evenly)划分采样的样本数（包括边界start和stop在内）。不过需要注意的是，endpoint为True时stop才能做为最后一个样本，为False时区间内便不包括stop，此时会在区间[start,end]内按照总个数为num + 1个样本采样并去掉尾部样本（即stop点）组成。retstep位置为True则会返回(samples, step)元组，其中samples为生成的样本，step为样本之间的间隔步长。

注意，它的start、stop参数都可以为小数，但是当dtype设置为int时则就不能为小数。

numpy.linspace的常见使用样例如下：

print(np.linspace(2.0, 3.0, num=5))
# array([2.  , 2.25, 2.5 , 2.75, 3.  ])

如果设置endpoint为True，则按照num+1个样本数量来采样，并去掉最后一个样本。

print(np.linspace(2.0, 3.0, num=5, endpoint=False))
# [2.  2.2 2.4 2.6 2.8]

如果retstep设置为True，则除了返回生成的样本，还会返回样本之间的间隔步长。

print(np.linspace(2.0, 3.0, num=5, retstep=True))
# (array([2.  ,  2.25,  2.5 ,  2.75,  3.  ]), 0.25)

下面我们用图形形象化地描述endpoint取True和取False的区别：

import matplotlib.pyplot as plt
N = 8
y = np.zeros(N)
x1 = np.linspace(0, 10, N, endpoint=True)
x2 = np.linspace(0, 10, N, endpoint=False)
plt.plot(x1, y, 'o', color='orange')
plt.plot(x2, y + 0.5, 'o', color='blue')
plt.ylim([1, -0.5])
plt.show()

图像显示如下：

可以看出橘色的点为np.linspace(0, 10, N, endpoint=True)，按照总共8个点在[0, 10]采样，并包括stop边界10。蓝色的点为np.linspace(0, 10, N, endpoint=False)，先按照总共9个点在[0, 10]采样最后再去掉最后一个点（即stop点10），最终得到间隙更密的8个点。

参考

• [1] https://docs.python.org/3/library/stdtypes.html?highlight=range#range
• [2] https://stackoverflow.com/questions/43999181/range-non-default-parameter-follows-default-one
• [3] https://numpy.org/doc/stable/reference/generated/numpy.arange.html?highlight=arange#numpy.arange
• [4] https://numpy.org/doc/stable/reference/generated/numpy.linspace.html#numpy.linspace

到此这篇关于Python中range、np.arange和np.linspace的区别的文章就介绍到这了,更多相关Python range np.arange np.linspace内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论