全面掌握Python中数组声明方式与实战技巧
在Python编程中,声明数组并非仅指单一操作,而是涵盖多种数据结构的创建过程。Python原生提供list(列表)、tuple(元组)作为基础序列类型;同时通过标准库array模块提供类型受限数组;而numpy库则提供了高性能的ndarray对象,广泛用于科学计算领域。理解各类“数组”声明方式的本质差异,是构建扎实Python编程基础的关键一步。
许多初学者误以为Python没有数组类型,实则混淆了“数组”与“列表”概念。严格来说,Python中没有传统C/Java式的固定长度、同类型数组,但其list在实际使用中常被当作动态数组使用。当涉及数值计算时,需依赖numpy.array等扩展类型以获得高性能支持。
本页面将系统梳理Python中主流的数组声明方式,从基础语法、内存结构、性能特征到典型应用场景,结合100+可运行代码示例,帮助开发者建立完整的认知框架。
不同场景对数据结构提出差异化需求:
选择合适的数组类型,是编写高效、可维护代码的前提。
根据使用频率与适用场景,主流数组类型可分为以下四类:
面对具体需求时,可按以下路径快速决策:
list是Python中最常用的数组类型,声明方式灵活多样:
# 方法1:字面量
empty_list = []
# 方法2:构造函数
empty_list = list()
# 方法3:列表推导式(条件为空)
empty_list = [x for x in []]
# 直接赋值
numbers = [1, 2, 3, 4, 5]
# 混合类型
mixed = [1, "hello", 3.14, True]
# 重复填充
zeros = [0] * 10 # [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
# range生成
evens = list(range(0, 10, 2)) # [0, 2, 4, 6, 8]
# 基础用法
squares = [x**2 for x in range(5)] # [0, 1, 4, 9, 16]
# 条件过滤
evens = [x for x in range(10) if x % 2 == 0]
# 嵌套循环
pairs = [(x, y) for x in [1,2] for y in [3,4]]
# [(1,3), (1,4), (2,3), (2,4)]
列表支持丰富操作:
# 创建3×3矩阵(注意:避免使用[[0]*3]*3,会导致行引用同一对象)
matrix = [[0]*3 for _ in range(3)]
# 访问元素
matrix[1][2] = 5 # 第2行第3列赋值
# 转置操作
transposed = [[row[i] for row in matrix] for i in range(3)]
tuple是Python的不可变序列类型,声明方式简洁:
# 空元组
empty_tuple = ()
empty_tuple = tuple()
# 单元素元组(注意逗号!)
single = (42,) # 正确
not_tuple = (42) # 实际是整数42!
# 多元素元组
coordinates = (10, 20)
colors = ("red", "green", "blue")
# 基础解包
x, y = (10, 20)
# 星号解包
first, *middle, last = [1,2,3,4,5]
# first=1, middle=[2,3,4], last=5
# 函数返回多值
def get_stats(nums):
return min(nums), max(nums), sum(nums)/len(nums)
mn, mx, avg = get_stats([10,20,30,40])
为何使用不可变类型?核心优势在于:
t = ([1,2], 3); t[0].append(4) # 允许!
标准库array提供类型受限的数组,内存效率高于list:
from array import array
# 整数数组(类型码'i':有符号int)
int_arr = array('i', [1, 2, 3, 4])
# 浮点数组(类型码'd':double)
float_arr = array('d', [1.1, 2.2, 3.3])
# 类型码对照表:
# 'i' → int, 'f' → float, 'd' → double, 'l' → long
# 'b' → signed char, 'B' → unsigned char
import sys
from array import array
# 相同数据量下内存占用对比
n = 1000000
list_data = [i for i in range(n)]
array_data = array('i', range(n))
print(f"list内存:{sys.getsizeof(list_data)} 字节")
print(f"array内存:{sys.getsizeof(array_data)} 字节")
# 输出示例:
# list内存:8000064 字节
# array内存:4000032 字节
arr = array('i', [1, 2, 3])
# 添加元素
arr.append(4)
arr.extend([5, 6])
# 切片操作(返回新array)
sub_arr = arr[1:4] # array('i', [2, 3, 4])
# 类型检查
arr[0] = 3.5 # 抛出TypeError:需要int,非float
典型使用场景:
numpy是Python科学计算基石,其ndarray提供高性能多维数组:
pip install numpy
import numpy as np
# 从list转换
arr1 = np.array([1, 2, 3])
# 生成特殊数组
zeros = np.zeros((2,3)) # 2×3全零矩阵
ones = np.ones((3,4)) # 3×4全一矩阵
identity = np.eye(3) # 3×3单位阵
range_arr = np.arange(0, 10, 2) # [0,2,4,6,8]
# 线性空间
linspace = np.linspace(0, 1, 5) # [0.0, 0.25, 0.5, 0.75, 1.0]
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# 元素级运算(无需循环!)
sum_arr = a + b # [5, 7, 9]
product = a * b # [4, 10, 18]
dot_product = np.dot(a, b) # 32
a = np.array([[1,2,3],
[4,5,6]])
b = np.array([10,20,30])
# b自动扩展为2×3矩阵
result = a + b
# [[11,22,33],
# [14,25,36]]
内存布局关键点:
| 特性 | list | tuple | array.array | numpy.ndarray |
|---|---|---|---|---|
| 可变性 | 可变 | 不可变 | 可变 | 可变 |
| 类型约束 | 无 | 无 | 单类型 | 单类型 |
| 维度 | 一维 | 一维 | 一维 | 多维 |
| 内存效率 | 低 | 中 | 高 | 极高 |
| 运算性能 | 慢 | 慢 | 中 | 极快 |
| 哈希支持 | 否 | 是 | 否 | 否 |
| 典型用途 | 通用数据存储 | 固定数据结构 | 紧凑数值数组 | 科学计算 |
import time
import array
import numpy as np
# 创建数据
n = 10**6
list_data = list(range(n))
tuple_data = tuple(range(n))
array_data = array.array('i', range(n))
numpy_data = np.arange(n)
# 测试求和时间
def benchmark(func, data):
start = time.time()
result = func(data)
return time.time() - start
print("list求和:", benchmark(sum, list_data))
print("array求和:", benchmark(sum, array_data))
print("numpy求和:", benchmark(np.sum, numpy_data))
# 典型结果:
# list:0.045s
# array:0.043s
# numpy:0.002s(向量化优势!)
# 推荐:列表
empty_list = []
# 推荐:元组
empty_tuple = ()
# 注意:不要写成list()或tuple(),字面量更高效
# 禁止:array('i') # 需指定类型码,否则报错
# 正确:empty_array = array('i')
原理分析:
[]直接创建list对象,无需函数调用开销;np.array([], dtype=int)。import time
import array
import numpy as np
n = 10**6
list_data = list(range(n))
array_data = array.array('i', range(n))
numpy_data = np.arange(n)
# 元素级平方运算
def square_list(data):
return [x**2 for x in data]
def square_array(data):
return array.array('i', (x**2 for x in data))
def square_numpy(data):
return data**2
print("list:", timeit(lambda: square_list(list_data), number=1))
print("array:", timeit(lambda: square_array(array_data), number=1))
print("numpy:", timeit(lambda: square_numpy(numpy_data), number=1))
# 典型结果:0.08s vs 0.07s vs 0.001s
结论:
# 陷阱1:可变对象作为默认参数
def append_element(lst=[]): # 错误!
lst.append(1)
return lst
# 正确写法:
def append_element(lst=None):
if lst is None:
lst = []
lst.append(1)
return lst
# 陷阱2:tuple嵌套list修改
t = ([1,2], 3)
t[0].append(4) # 允许!但破坏不可变性
# 陷阱3:numpy切片共享内存
a = np.array([1,2,3])
b = a[1:3] # b是a的视图!
b[0] = 99 # 修改b会改变a!
# 解决:c = a[1:3].copy()
list(功能全面);tuple(安全语义);numpy(性能优先);array(内存敏感);numpy(生态依赖)。[None]*n;[x**2 for x in data];