异常教程

python 数组（超详细）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

截止目前， 星球 内专栏累计输出 90w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 3100+ 小伙伴加入学习 ，欢迎点击围观

前言

在编程的世界中，数据的存储与操作是构建应用程序的核心能力之一。Python 数组作为处理同类型数据的高效工具，既简单易用，又具备强大的扩展性。无论是处理科学计算中的数值矩阵，还是实现算法中的动态存储，数组都能提供灵活且高效的解决方案。本文将从基础概念、核心操作、实际案例到进阶技巧，全面解析 Python 数组的使用方法，帮助开发者快速掌握这一关键工具。

一、什么是 Python 数组？

1.1 数组的基本定义

Python 数组（Array）是一种线性数据结构，用于存储同一类型的元素（如整数、浮点数等），并通过索引快速访问。可以将其想象为有编号的抽屉：每个抽屉（索引）存放相同类型的物品（元素），且抽屉的顺序是连续的。

与 Python 内置的列表（List）不同，数组需要指定元素类型，并且一旦创建后，修改元素类型或长度可能较为复杂。因此，数组更适合需要高效存储和操作大量同类型数据的场景。

1.2 数组与列表的区别

特性数组（array模块）列表（List）
元素类型必须为同一类型（如整型、浮点型）可以混合不同类型（如字符串、整数）
存储效率更高效，占用内存更少较低，因存储对象指针
扩展性固定长度（需手动调整）动态扩展（自动扩容）
适用场景数值计算、科学计算通用数据存储、动态操作

二、Python 数组的快速入门

2.1 安装与导入

Python 的标准库提供了 array 模块，无需额外安装。通过以下代码即可开始使用：

import array as arr  

my_array = arr.array('i', [1, 2, 3, 4, 5])  
print("数组元素：", my_array)

说明：

  • 'i' 是类型码（Type Code），表示整型。常见的类型码包括 'f'（浮点型）、'd'（双精度浮点型）等。
  • 数组的初始化需要提供初始值列表，且所有元素必须符合指定类型。

2.2 基础操作：访问、修改与遍历

2.2.1 索引访问

数组通过索引访问元素，索引从 0 开始：

print("第一个元素：", my_array[0])  # 输出：1  
print("最后一个元素：", my_array[-1])  # 输出：5

2.2.2 修改元素

直接通过索引赋值修改元素，但需确保类型一致：

my_array[2] = 10  
print("修改后数组：", my_array)  # 输出：array('i', [1, 2, 10, 4, 5])

2.2.3 遍历数组

使用 for 循环或 enumerate 获取索引与值：

for index, value in enumerate(my_array):  
    print(f"索引 {index} 对应的值：{value}")

三、数组的高级操作与常用方法

3.1 增删元素

3.1.1 添加元素

使用 append() 方法追加单个元素，或 extend() 方法追加多个元素：

my_array.append(6)  
my_array.extend([7, 8])  
print("追加后数组：", my_array)  # 输出：array('i', [1, 2, 10, 4, 5, 6, 7, 8])

3.1.2 插入元素

通过 insert() 方法在指定位置插入元素：

my_array.insert(3, 99)  # 在索引3的位置插入99  
print("插入后数组：", my_array)  # 输出：array('i', [1, 2, 10, 99, 4, 5, 6, 7, 8])

3.1.3 删除元素

使用 remove() 方法删除第一个匹配的值，或通过 pop() 删除指定索引的元素：

my_array.remove(10)  # 删除值为10的第一个元素  
popped_value = my_array.pop(4)  # 删除索引4的元素并返回其值  
print("删除后数组：", my_array)  # 输出：array('i', [1, 2, 99, 4, 5, 6, 7, 8])

3.2 数组的数学运算与切片

3.2.1 数组切片

与列表类似，数组支持切片操作：

sub_array = my_array[1:4]  # 截取索引1到3的元素  
print("切片后的子数组：", sub_array)  # 输出：array('i', [2, 99, 4])

3.2.2 数组的数学运算

数组间支持逐元素运算，但需确保长度和类型一致：

a = arr.array('i', [1, 2, 3])  
b = arr.array('i', [4, 5, 6])  
result = arr.array('i')  
for x, y in zip(a, b):  
    result.append(x + y)  
print("相加结果：", result)  # 输出：array('i', [5, 7, 9])

3.3 转换与序列化

3.3.1 转换为列表

通过 tolist() 方法将数组转为列表：

list_from_array = my_array.tolist()  
print("转换后的列表：", list_from_array)

3.3.2 保存与加载

使用 tofile() 和 fromfile() 可将数组保存为二进制文件：

with open("data.bin", "wb") as file:  
    my_array.tofile(file)  # 保存为二进制文件  

loaded_array = arr.array('i')  
with open("data.bin", "rb") as file:  
    loaded_array.fromfile(file, len(my_array))

四、数组的典型应用场景

4.1 科学计算与数值处理

在需要高效存储和计算大量数值时，数组比列表更优。例如，计算一组数值的平均值：

import array as arr  

data = arr.array('d', [2.3, 4.5, 6.7, 8.9, 10.1])  
average = sum(data) / len(data)  
print(f"平均值为：{average:.2f}")  # 输出：6.90

4.2 优化内存使用

当处理大型数据集时，数组的紧凑存储能显著减少内存占用。例如，存储100万个整数：

import sys  
list_data = [0] * 1_000_000  
print("列表内存占用：", sys.getsizeof(list_data), "bytes")  

array_data = arr.array('i', [0] * 1_000_000)  
print("数组内存占用：", sys.getsizeof(array_data), "bytes")

4.3 实现算法中的动态存储

在算法设计中，数组常用于实现队列、栈等结构。例如，用数组模拟队列：

class ArrayQueue:  
    def __init__(self):  
        self.queue = arr.array('i')  
    def enqueue(self, value):  
        self.queue.append(value)  
    def dequeue(self):  
        return self.queue.pop(0) if self.queue else None  

q = ArrayQueue()  
q.enqueue(10); q.enqueue(20)  
print("出队元素：", q.dequeue())  # 输出：10

五、常见问题与解决方案

5.1 类型错误：尝试存储不同类型的元素

try_array = arr.array('i', [1, 2, "three"])  # 报错：TypeError

解决方法：确保所有元素类型与类型码一致。例如，将字符串转为整数：

try_array = arr.array('i', [1, 2, int("3")])

5.2 动态调整数组长度

数组的长度默认固定，需手动扩展：

original_array = arr.array('i', [1, 2, 3])  
original_array.extend([4, 5])  # 新增元素后长度变为5

5.3 性能优化建议

  • 避免频繁插入/删除：这些操作可能导致性能下降，可考虑使用列表后转为数组。
  • 选择合适的类型码：例如用 'H'（无符号短整型）代替 'i' 可节省空间。

结论

通过本文的讲解，开发者可以掌握 Python 数组 的核心概念、操作方法及实际应用场景。从基础的创建与访问，到高级的数学运算与序列化，数组为高效处理同类型数据提供了坚实的基础。

对于初学者，建议从简单案例入手，逐步尝试科学计算或算法实现；中级开发者则可深入探索数组与 NumPy 库的结合，进一步提升复杂数据处理的能力。记住，数组的高效性源于其“同类型连续存储”的特性，合理利用这一特点将显著提升代码性能。

现在，是时候打开你的编辑器，用数组解决实际问题了！

最新发布

查看更多文章