Python 列表与数组——何时使用？-IT科技

摘要：问题描述：如果您要创建一维数组，则可以将其实现为列表，或者使用标准库中的“array”模块。我一直将列表用于一维数组。我在什么情况下会想要使用数组模块？这是为了性能和内存优化，还是我忽略了一些明显的东西？解决方案 1：基本上，Python 列表非常灵活，可以容纳完全异构的任意数据，并且可以在摊销常数时间内非常...

问题描述：

如果您要创建一维数组，则可以将其实现为列表，或者使用标准库中的“array”模块。我一直将列表用于一维数组。

我在什么情况下会想要使用数组模块？

这是为了性能和内存优化，还是我忽略了一些明显的东西？

解决方案 1：

基本上，Python 列表非常灵活，可以容纳完全异构的任意数据，并且可以在摊销常数时间内非常高效地添加数据。如果您需要高效地缩小和扩大列表，那么它们是您的最佳选择。但它们比 C 数组占用的空间要大得多float，部分原因是列表中的每个项目都需要构建一个单独的 Python 对象，即使对于可以用简单 C 类型（例如或）表示的数据也是如此uint64_t。

array.array另一方面，该类型只是 C 数组的一个薄包装器。它只能保存同类数据（即所有数据均为同一类型），因此它仅占用内存字节。大多数情况下，当您需要将 C 数组公开给扩展或系统调用（例如或）sizeof(one object) * length时，您应该使用它。ioctl`fctnl`

array.array也是在 Python 2.x 中表示可变字符串的合理方法（array('B', bytes)）。但是，Python 2.6+ 和 3.x 提供了可变字节字符串作为bytearray。

但是，如果您想对同类数值数据数组进行数学运算，那么最好使用 NumPy，它可以自动对复杂多维数组上的操作进行矢量化。

长话短说：当你出于除数学之外的其他array.array原因而需要一个同类的 C 数据数组时很有用。

解决方案 2：

对于几乎所有情况，普通列表都是正确的选择。数组模块更像是 C 数组的薄包装器，它为您提供了一种强类型容器（请参阅文档），可以访问更多类似 C 的类型，例如有符号/无符号短整型或双精度型，这些类型不属于内置类型。我认为只有在真正需要时才使用数组模块，在所有其他情况下都坚持使用列表。

解决方案 3：

如果您不知道为什么要使用数组模块，那么您可能不需要它（请注意，我并不是想以一种居高临下的姿态说这句话！）。大多数情况下，数组模块用于与 C 代码交互。为了更直接地回答您关于性能的问题，请执行以下操作：

对于某些用途，数组比列表更有效。如果您需要分配一个您知道不会改变的数组，那么数组可以更快并且占用更少的内存。GvR 有一个优化轶事，其中数组模块是赢家（很长，但值得一读）。

另一方面，列表比数组占用更多内存的原因之一是，当所有分配的元素都被使用时，python 会分配一些额外的元素。这意味着将项目附加到列表中会更快。因此，如果您计划添加项目，列表是最佳选择。

TL;DR 如果您有特殊的优化需求或者需要与 C 代码交互（并且不能使用pyrex），我才会使用数组。

解决方案 4：

这是一种权衡！

每种方法的优点：

列表

灵活的
可以是异构的

数组（例如：numpy 数组）

统一值数组
均质的
紧凑（尺寸）
高效（功能和速度）
方便的

解决方案 5：

我的理解是数组的存储效率更高（即作为连续的内存块而不是指向 Python 对象的指针），但我不知道有任何性能优势。此外，使用数组时，您必须存储相同类型的基元，而列表可以存储任何内容。

解决方案 6：

这个答案将总结关于何时使用 List 和 Array 的几乎所有疑问：

这两种数据类型之间的主要区别在于您可以对它们执行的操作。例如，您可以将数组除以 3，它会将数组的每个元素除以 3。列表则不能这样做。
列表是 Python 语法的一部分，因此不需要声明，而数组在使用之前必须声明。
您可以在列表中存储不同数据类型的值（异构），而在数组中只能存储相同数据类型的值（同质）。
与列表相比，数组功能丰富且速度快，广泛用于算术运算和存储大量数据。
与列表相比，数组占用的内存更少。

解决方案 7：

标准库数组对于二进制 I/O 很有用，例如将整数列表转换为字符串以写入 wave 文件。话虽如此，正如许多人已经指出的那样，如果您要进行任何实际工作，那么您应该考虑使用 NumPy。

解决方案 8：

关于性能，以下是一些比较 Python 列表、数组和 Numpy 数组的数据（均使用 2017 年 Macbook Pro 上的 Python 3.7）。最终结果是 Python 列表在这些操作中速度最快。

# Python list with append()
np.mean(timeit.repeat(setup="a = []", stmt="a.append(1.0)", number=1000, repeat=5000)) * 1000
# 0.054 +/- 0.025 msec

# Python array with append()
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a.append(1.0)", number=1000, repeat=5000)) * 1000
# 0.104 +/- 0.025 msec

# Numpy array with append()
np.mean(timeit.repeat(setup="import numpy as np; a = np.array([])", stmt="np.append(a, [1.0])", number=1000, repeat=5000)) * 1000
# 5.183 +/- 0.950 msec

# Python list using +=
np.mean(timeit.repeat(setup="a = []", stmt="a += [1.0]", number=1000, repeat=5000)) * 1000
# 0.062 +/- 0.021 msec

# Python array using += 
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a += array.array('f', [1.0]) ", number=1000, repeat=5000)) * 1000
# 0.289 +/- 0.043 msec

# Python list using extend()
np.mean(timeit.repeat(setup="a = []", stmt="a.extend([1.0])", number=1000, repeat=5000)) * 1000
# 0.083 +/- 0.020 msec

# Python array using extend()
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a.extend([1.0]) ", number=1000, repeat=5000)) * 1000
# 0.169 +/- 0.034