Cor*_*erg 353 python arrays list
如果要创建1d数组,可以将其实现为List,或者使用标准库中的"array"模块.我一直使用列表进行1d数组.
我想要使用阵列模块的原因或情况是什么？
它是用于性能和内存优化,还是我错过了一些明显的东西？
Dan*_*ski 415
基本上,Python列表非常灵活,可以保存完全异构的任意数据,并且可以在摊销的常量时间内非常有效地附加.如果你需要有效地缩短和增加你的列表并且没有麻烦,那么它们就是你要走的路.但是他们比C阵列使用更多的空间.
的array.array类型,在另一方面,是只在C数组的薄包装.它只能保存同类数据,所有类型都相同,因此它只使用sizeof(one object) * length字节的内存.大多数情况下,您需要在需要将C数组公开给扩展或系统调用时使用它(例如,ioctl或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提供了一个可变字节字符串bytearray.
但是,如果你想对同类数组数据进行数学运算,那么你最好使用NumPy,它可以自动对复杂多维数组上的操作进行矢量化.
简而言之:array.array当你需要一个同质的C数组数据时,除了做数学之外的其他原因是很有用的.
And*_*dré 62
对于几乎所有情况,正常列表是正确的选择.数组模块更像是C数组上的一个瘦包装器,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signed/unsigned short或double,它们不是构建的一部分-in类型.我只说如果你确实需要它就使用数组模块,在所有其他情况下都坚持使用列表.
Jas*_*ker 48
如果您不知道为什么要使用它,那么阵列模块就是您可能不需要的那种东西之一(请注意我并不是想以一种居高临下的方式说出来!) .大多数情况下,阵列模块用于与C代码接口.为了更直接地回答有关性能的问题:
对于某些用途,数组比列表更有效.如果你需要分配一个你知道不会改变的数组,那么数组可以更快并且使用更少的内存.GvR有一个优化轶事,其中数组模块成为赢家(长读,但值得).
另一方面,列表占用更多内存而不是数组的部分原因是因为python将在使用所有已分配元素时分配一些额外元素.这意味着将项目附加到列表更快.因此,如果您计划添加项目,则可以使用列表.
TL; DR如果您有一个特殊的优化需求,或者您需要与C代码接口(并且不能使用pyrex),我只会使用一个数组.
Kou*_*zdi 18
这是一个折衷!
每个人的优点:
这个答案将总结几乎所有关于何时使用列表和数组的查询：
这两种数据类型之间的主要区别在于可以对它们执行的操作。例如，您可以将数组除以 3，它将把数组的每个元素除以 3。列表则不能执行相同操作。
列表是Python语法的一部分，因此不需要声明它，而在使用它之前必须声明数组。
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。
数组只能用于特定类型,而列表可用于任何对象.
数组也可以只有一种类型的数据,而列表可以有各种对象类型的条目.
对于某些数值计算,数组也更有效.
关于性能，这里有一些数字比较了 python 列表、数组和 numpy 数组（全部使用 2017 Macbook Pro 上的 Python 3.7）。最终结果是 python 列表对于这些操作是最快的。
# 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