Python中的“数组”主要指list和numpy.ndarray。list是内置的异构序列，支持多种数据类型和动态操作，适合小规模或非数值数据处理；而numpy.ndarray是同质多维数组，基于C实现，内存连续，支持高效数值运算和广播操作，适用于大规模科学计算。两者可通过np.array()和tolist()相互转换，核心区别在于数据类型一致性、性能和功能：list灵活但慢，ndarray高效专用于数值计算。
Python中，我们通常说的“数组”其实有两种主要形式：一种是内置的
（列表），它非常灵活，能存放各种类型的数据；另一种是
库提供的
，这才是真正意义上的高性能、同质性数组，尤其适合数值计算和科学计算。理解这两种“数组”的差异和各自的操作方式，是高效编写Python代码的关键。
解决方案
谈到Python中的“数组”操作，我们基本上是在围绕
和
打转。我个人觉得，对于初学者，先从
入手是比较自然的，因为它就在那里，开箱即用。而当你的数据量上去，或者需要进行复杂的数值运算时，
的强大就显现出来了。
1. Python内置列表（）的操作：
是最常用的数据结构之一，它允许你存储任意数量、任意类型的数据项。
立即学习
“
Python免费学习笔记（深入）
”；
创建列表：
访问元素：
使用索引（从0开始）和切片。
修改元素：
添加元素：
删除元素：
其他常用操作：
获取长度，
排序，
反转，
计数，
查找索引。
2. NumPy的操作：
是Python进行科学计算的核心库，它的
对象是多维同
质数
组，专为高效数值运算设计。
安装NumPy：
如果没安装，先
。
创建数组：
访问元素与切片：
比列表更强大的多维切片。
元素级运算：
这是
的巨大优势，直接对整个数组进行数学运算。
形状操作：
聚合函数：
Python列表与NumPy数组有什么区别？
这个问题问得非常好，因为这是初学者最容易混淆，也是最核心的一个点。说实话，我刚开始学Python的时候，也觉得“不都是存数据嘛，有啥区别？”但随着项目深入，你会发现它们的设计哲学和应用场景是截然不同的。
从我的经验来看，主要区别体现在以下几个方面：
数据类型：
Python列表（）：
是异构的，这意味着一个列表中可以同时存储整数、浮点数、字符串、甚至其他列表或对象。这种灵活性很强，但代价是内存占用和访问效率。
NumPy数组（）：
是同构的，即所有元素必须是相同的数据类型（例如，全部是整数，或者全部是浮点数）。如果你尝试放入不同类型的数据，NumPy会尝试向上转型以保持同质性。这种特性让NumPy能将数据紧密地存储在内存中，从而实现高效的数值运算。
性能：
Python列表：
由于其异构性和动态大小的特性，列表中的每个元素实际上都存储为一个指向实际数据对象的指针。这意味着当你遍历列表或进行大量数值运算时，Python需要处理这些指针，导致性能开销较大，尤其是在处理大型数据集时。
NumPy数组：
底层是用C语言实现的，数据是连续存储在内存中的。这使得NumPy在进行大规模数值运算时，可以利用CPU的SIMD（单指令多数据）指令集，并避免Python的解释器开销，因此速度非常快。对于科学计算、机器学习等场景，NumPy是不可或缺的。
功能和操作：
Python 3.14.3
微软官方的 Python 扩展，是 VS Code 安装量最高的扩展（209M+）。集成 IntelliSense（通过 Pylance）、调试（通过 Python Debugger）、代码检查、格式化、重构和单元测试等功能。支持 Jupyter Notebook、虚拟环境管理和多 Python 版本切换。
下载
Python列表：
提供了非常通用的序列操作，比如
、
、
、
等，更侧重于数据的组织和管理。
NumPy数组：
提供了极其丰富的数学函数和操作，可以直接对整个数组进行元素级的算术运算（如加减乘除）、线性代数、傅里叶变换、随机数生成等。它的设计目标就是为了高效地处理数值数据。比如，两个NumPy数组相加，
会直接进行对应元素的相加，而两个列表相加
则是拼接操作。
什么时候用哪个？
用：
当你需要存储不同类型的数据，或者数据结构经常变化（频繁增删），或者数据量不大且不涉及大量数值计算时，
是更简单、更直观的选择。
用：
当你处理的是大型数值数据集，需要进行高效的数学运算、统计分析，或者进行机器学习、深度学习等任务时，
是绝对的首选。它的性能优势是列表无法比拟的。
Python数组的切片和索引技巧有哪些？
切片和索引是操作Python“数组”最基础也最强大的方式之一。掌握好它们，能让你在数据处理时事半功倍。我发现很多初学者对负数索引和多维数组的切片感到困惑，这里我们来详细聊聊。
1. Python列表（）的切片与索引：
列表的索引是基于0的，这意味着第一个元素的索引是0，第二个是1，以此类推。
基本索引：
负数索引：
负数索引从列表末尾开始计数。
是最后一个元素，
是倒数第二个，以此类推。这个真的非常方便，不用先
。
切片（）：
切片会创建一个新列表，包含从
索引开始，到
索引（不包含）结束的元素。
是步长，默认为1。
省略：从头开始。
省略：到尾结束。
为负数：表示反向切片。
2. NumPy数组（）的切片与索引：
NumPy数组的索引和切片在单维度上与列表类似，但在多维数组上则展现出其真正的威力。
一维数组：
和列表几乎一样。
多维数组：
使用逗号分隔的索引来指定每个维度的位置。
多维切片：
步长切片：
布尔索引：
这是NumPy一个非常强大的特性，你可以用一个布尔数组来选择元素。
整数数组索引：
使用一个整数数组作为索引，可以按任意顺序选择元素。
掌握这些切片和索引的技巧，能让你在处理数据时更加灵活和高效，尤其是在数据分析和科学计算的场景中，这些操作是家常便饭。
Python中如何将列表转换为NumPy数组，反之亦然？
在实际的数据处理流程中，我们经常需要在Python的
和NumPy的
之间进行转换。这通常发生在数据从外部源（比如CSV文件、数据库查询结果）加载进来时，它们可能最初以列表的形式存在，但为了进行高效的数值计算，我们需要将它们转换为NumPy数组。反过来，当你完成了NumPy数组的计算，可能需要将结果以列表的形式输出，或者与不接受NumPy数组的库进行交互。
1. Python列表转换为NumPy数组：
这是最常见的转换方向。NumPy提供了一个非常直观的函数
来完成这个任务。
需要注意的细节：
数据类型推断：
会尝试推断列表元素的统一数据类型。如果列表包含混合类型，NumPy会向上转型以保持同质性。例如，如果列表中有整数和浮点数，它会全部转为浮点数。
深拷贝：
默认情况下，
会创建一个原始列表的深拷贝，这意味着修改NumPy数组不会影响原始列表，反之亦然。这通常是你想要的行为。
2. NumPy数组转换为Python列表：
NumPy数组对象有一个
方法，可以方便地将其转换为Python列表。对于多维数组，它会生成一个嵌套的列表。
listnumpyndarraylistnumpy.ndarraylistnumpylistlistmy_list = [1, 2, 3, 'hello', True]
empty_list = []
another_list = list(range(5)) # [0, 1, 2, 3, 4]print(my_list[0]) # 1
print(my_list[-1]) # True (访问最后一个元素)
print(my_list[1:4]) # [2, 3, 'hello'] (切片操作，不包含结束索引)
print(my_list[::2]) # [1, 3, True] (步长为2)my_list[0] = 100
print(my_list) # [100, 2, 3, 'hello', True]my_list.append('world') # 在末尾添加
my_list.insert(1, 'new') # 在指定位置插入
print(my_list) # [100, 'new', 2, 3, 'hello', True, 'world']
list_a = [1, 2]
list_b = [3, 4]
list_c = list_a + list_b # 连接列表，生成新列表
print(list_c) # [1, 2, 3, 4]
list_a.extend(list_b) # 将list_b的元素添加到list_a末尾
print(list_a) # [1, 2, 3, 4]del my_list[1] # 根据索引删除
print(my_list) # [100, 2, 3, 'hello', True, 'world']
popped_element = my_list.pop() # 删除并返回最后一个元素
print(popped_element) # world
print(my_list) # [100, 2, 3, 'hello', True]
my_list.remove(100) # 删除第一个匹配的元素值
print(my_list) # [2, 3, 'hello', True]len()sort()reverse()count()index()ndarraynumpyndarraypip install numpyimport numpy as np
np_array_1d = np.array([1, 2, 3, 4, 5])
np_array_2d = np.array([[1, 2, 3], [4, 5, 6]])
print(np_array_1d)
print(np_array_2d)
# 常用创建函数
zeros_array = np.zeros((2, 3)) # 全0数组
ones_array = np.ones((3, 2)) # 全1数组
range_array = np.arange(0, 10, 2) # 类似range，但生成ndarray
linspace_array = np.linspace(0, 1, 5) # 在指定区间内均匀生成N个点print(np_array_2d[0, 1]) # 访问第一行第二列的元素：2
print(np_array_2d[:, 0]) # 访问所有行的第一列：[1 4]
print(np_array_2d[0, :]) # 访问第一行的所有元素：[1 2 3]
print(np_array_2d[0:2, 1:3]) # 切片：[[2 3], [5 6]]
# 布尔索引
mask = np_array_1d > 3
print(np_array_1d[mask]) # [4 5]ndarraya = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b) # [5 7 9]
print(a * 2) # [2 4 6]
print(a * b) # 对应元素相乘：[4 10 18]
print(np.sqrt(a)) # 逐元素求平方根reshaped_array = np_array_1d.reshape((5, 1)) # 改变数组形状
print(reshaped_array)
print(np_array_2d.T) # 转置print(np_array_1d.sum()) # 数组所有元素之和
print(np_array_2d.mean(axis=0)) # 沿列求平均值
print(np_array_2d.max()) # 最大值listndarrayappendinsertpopsortarray1 + array2list1 + list2listlistndarraynumpy.ndarraylistmy_list = ['a', 'b', 'c', 'd', 'e']
print(my_list[0]) # 'a'
print(my_list[2]) # 'c'-1-2len(list) - 1print(my_list[-1]) # 'e'
print(my_list[-3]) # 'c'[start:end:step]startendstepstartendstepprint(my_list[1:4]) # ['b', 'c', 'd'] (从索引1到索引3)
print(my_list[:3]) # ['a', 'b', 'c'] (从头到索引2)
print(my_list[2:]) # ['c', 'd', 'e'] (从索引2到尾)
print(my_list[:]) # ['a', 'b', 'c', 'd', 'e'] (复制整个列表)
print(my_list[::2]) # ['a', 'c', 'e'] (每隔一个取一个)
print(my_list[::-1]) # ['e', 'd', 'c', 'b', 'a'] (反转列表，非常酷)ndarrayimport numpy as np
arr_1d = np.array([10, 20, 30, 40, 50])
print(arr_1d[1]) # 20
print(arr_1d[-2]) # 40
print(arr_1d[1:4]) # [20 30 40]
print(arr_1d[::-1]) # [50 40 30 20 10]arr_2d = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
print(arr_2d[0, 0]) # 1 (第一行第一列)
print(arr_2d[1, 2]) # 6 (第二行第三列)
print(arr_2d[0]) # [1 2 3] (访问第一行，等同于 arr_2d[0, :])# 获取第一行和第二行的所有列
print(arr_2d[0:2, :]) # 或者 arr_2d[:2, :]
# 输出：
# [[1 2 3]
# [4 5 6]]
# 获取所有行的第二列
print(arr_2d[:, 1])
# 输出：
# [2 5 8]
# 获取中间的子矩阵
print(arr_2d[1:3, 1:3])
# 输出：
# [[5 6]
# [8 9]]arr_3d = np.arange(27).reshape((3, 3, 3))
print(arr_3d[::2, ::2, ::2]) # 在所有维度上每隔一个取一个arr = np.array([10, 20, 30, 40, 50])
mask = (arr > 25) & (arr < 45) # 创建一个布尔掩码
print(mask) # [False False True True False]
print(arr[mask]) # [30 40] (只选择True对应的元素)
# 修改满足条件的元素
arr[arr % 2 == 0] = 0 # 将所有偶数改为0
print(arr) # [ 0 20 0 40 0]arr = np.array([10, 20, 30, 40, 50])
indices = [0, 2, 4]
print(arr[indices]) # [10 30 50]listndarraynp.array()import numpy as np
# 一维列表转一维NumPy数组
my_list_1d = [1, 2, 3, 4, 5]
np_array_1d = np.array(my_list_1d)
print(f"列表: {my_list_1d}, 类型: {type(my_list_1d)}")
print(f"NumPy数组: {np_array_1d}, 类型: {type(np_array_1d)}")
# 输出:
# 列表: [1, 2, 3, 4, 5], 类型:
# NumPy数组: [1 2 3 4 5], 类型:
# 二维列表（列表的列表）转二维NumPy数组
my_list_2d = [[10, 20, 30], [40, 50, 60]]
np_array_2d = np.array(my_list_2d)
print(f"\n二维列表:\n{my_list_2d}")
print(f"二维NumPy数组:\n{np_array_2d}")
# 输出:
# 二维列表:
# [[10, 20, 30], [40, 50, 60]]
# 二维NumPy数组:
# [[10 20 30]
# [40 50 60]] np.array()mixed_list = [1, 2.5, 3]
mixed_np_array = np.array(mixed_list)
print(mixed_np_array) # [1. 2.5 3. ]
print(mixed_np_array.dtype) # float64np.array()original_list = [1, 2, 3]
arr = np.array(original_list)
arr[0] = 99
print(original_list) # [1, 2, 3] (未改变)
print(arr) # [99 2 3]tolist()
# 一维NumPy数组转一维列表
np_array_1d = np