array，list，tensor，Dataframe，Series之间互相转换总结

一、前言

对于在Deep Learning的学习中总会有几个数据类型的转换，这次想把这些常用的转换做一个总结，方便以后看。

这些主要包括：Dataframe、Series(pandas), array(numpy), list, tensor(torch)

这里简单介绍一下这两个结构。Dataframe创建的方式有很多种，这里不赘述了。以下举个例子，因为我们这里要讲的是和array等的转换，这里全都用数字型的元素。

对于dataframe来说，我们打印出来，结构类似于一个二维矩阵格式，只是每一列和每一个行都有个index，这并且这些结构之间有很多方便的操作，在读入结构化数据的时候尤为方便，所以平时做偏结构化数据的时候，比如excel、pickle等等，pandas的使用是绕不开的。

而其中的series相当于dataframe的一个元素，如下：

Series只有row index，有点类似于一个一维向量。

而DataFrame既有行索引也有列索引，它也可以被看做由Series组成的字典（共同用一个索引）

数组结构是由不同维度的list转换来的，用array的原因主要在于有更多的矩阵操作，数据使用起来更方便，比如转置、矩阵相乘、reshape等等。

张量是在深度学习框架中的一个数据结构，把数据喂进模型中需要把数据转换为tensor结构，等我们再取出来做框架以外的操作，比如保存成文件，用plot画图，都需要重新转换为array或list结构。

先用一个例子直观举例下

挑一列的index取出

1	Series = Dataframe['column']

1	list = Series.to_list()

1	array = np.array(list)

1	tensor = torch.from_numpy(array)

1
2
3

array = tensor.numpy()
# gpu情况下需要如下的操作
array = tensor.cpu().numpy()

1 2	# 先转numpy，后转list list = tensor.numpy().tolist()

1	list = array.tolist()

1	tensor=torch.Tensor(list)

1 2	series = pd.Series({'a': array}) series2 = pd.Series({'a': list})

之后这里的操作就多了，看你具体需求了，也可以多个series拼成一个dataframe, 如下，其他操作不一一赘述了

1	df = pd.DataFrame({'aa': series, 'bb': series2})