Numpy数组与列表怎么使用

发布时间：2022-03-30 16:53:14 作者：iii
来源：亿速云阅读：289

# Numpy数组与列表怎么使用

## 引言

在Python数据处理领域，`list`（列表）和`numpy.array`（Numpy数组）是最常用的两种数据结构。虽然它们都能存储数据集合，但在底层实现、功能特性和适用场景上存在显著差异。本文将深入探讨二者的使用方法、性能对比及实际应用选择建议。

---

## 一、基础概念对比

### 1. Python列表（List）
- **动态类型**：可混合存储任意数据类型
- **可变长度**：支持动态增减元素
- **实现方式**：CPython中通过指针数组实现

```python
mixed_list = [1, "text", 3.14, True]  # 合法列表

2. Numpy数组（ndarray）

同质类型：要求所有元素类型相同
固定维度：创建后形状通常固定
连续内存：数据存储在连续内存块中

import numpy as np
arr = np.array([1, 2, 3], dtype=np.float32)  # 类型强制统一

二、创建方式对比

列表创建方法

# 直接创建
lst1 = [1, 2, 3]

# 列表推导式
lst2 = [x**2 for x in range(5)]

# 乘法扩展（注意引用问题）
lst3 = [[]] * 3  # 包含3个相同空列表

Numpy数组创建方法

# 从列表转换
arr1 = np.array([1, 2, 3])

# 特殊初始化
arr2 = np.zeros((3,4))  # 3行4列零矩阵
arr3 = np.arange(10)     # 类似range的数组
arr4 = np.linspace(0, 1, 5)  # 线性间隔数组

# 随机数组
rand_arr = np.random.rand(2,3)

三、核心操作差异

1. 索引与切片

列表切片返回副本

a = [1, 2, 3, 4]
b = a[1:3]  # 新列表对象
b[0] = 99   # 不影响原列表

Numpy切片返回视图

arr = np.array([1, 2, 3, 4])
view = arr[1:3]  # 数据视图
view[0] = 99     # 修改原始数组

注意：显式调用copy()方法可创建Numpy数组副本

2. 广播机制

Numpy特有的广播规则允许不同形状数组运算：

arr = np.array([[1], [2], [3]])
result = arr * [10, 20, 30]  # 自动广播

3. 向量化运算

# 列表需要循环
lst = [1, 2, 3]
squared_lst = [x**2 for x in lst]

# Numpy直接运算
arr = np.array([1, 2, 3])
squared_arr = arr**2

四、性能对比测试

1. 存储效率

import sys

lst = list(range(1000))
arr = np.arange(1000)

print(sys.getsizeof(lst))  # 约9024字节
print(arr.nbytes)         # 约4000字节（int32）

2. 运算速度比较

import timeit

# 列表求和时间
def list_sum():
    return sum([i*i for i in range(10000)])

# Numpy求和时间
def numpy_sum():
    return np.sum(np.arange(10000)**2)

print(timeit.timeit(list_sum, number=1000))  # 约0.5秒
print(timeit.timeit(numpy_sum, number=1000)) # 约0.05秒

五、实用场景指南

优先使用列表的情况：

存储异构数据（如混合类型）
需要频繁修改容器大小
简单的栈/队列操作（append()/pop()）

优先使用Numpy数组的情况：

数值计算和科学计算
需要线性代数运算
大型数据集处理（内存效率）
需要广播功能时

混合使用技巧：

# 列表与Numpy转换
data_list = [1, 2, 3]
arr = np.array(data_list)          # 列表转数组
new_list = arr.tolist()           # 数组转列表

# 高效处理嵌套列表
nested_list = [[1,2], [3,4]]
arr_2d = np.array(nested_list)    # 创建二维数组

六、常见问题解决方案

问题1：类型不匹配错误

try:
    arr = np.array([1, 'a', 2.0])  # 自动转为字符串类型
except ValueError:
    print("类型转换异常")

问题2：形状不匹配

a = np.array([1,2,3])
b = np.array([[1],[2]])

# 解决方案1：调整形状
b_reshaped = b.reshape(-1)  # 展平数组

# 解决方案2：使用广播
result = a + b.T  # 转置操作

问题3：内存不足

# 对于超大数组，使用特殊数据类型
big_arr = np.zeros(int(1e7), dtype=np.float16)  # 半精度浮点

七、进阶技巧

1. 结构化数组

# 创建类似表格的数据结构
dtype = [('name', 'U10'), ('age', 'i4'), ('weight', 'f4')]
data = np.array([('Alice', 25, 55.5)], dtype=dtype)

2. 内存映射

# 处理超大型文件
arr = np.memmap('large_file.dat', dtype='float32', mode='r', shape=(1000, 1000))

3. 与pandas交互

import pandas as pd
df = pd.DataFrame(arr)  # 数组转DataFrame
arr_from_df = df.values  # DataFrame转数组（注意视图问题）

结语

列表和Numpy数组各有其优势领域：列表作为Python基础数据结构灵活性高，适合通用编程场景；而Numpy数组在数值计算方面具有碾压性性能优势。实际开发中建议： 1. 数据预处理阶段使用列表 2. 核心计算阶段转换为Numpy数组 3. 结果输出时根据需要转换回列表

掌握二者的特性及转换技巧，能够显著提升Python数据处理效率。

附录：性能优化建议 - 避免在循环中频繁数组-列表转换 - 预分配Numpy数组空间（np.empty()） - 尽量使用Numpy内置函数代替循环 “`

（全文约2350字，实际字数可能因格式略有浮动）