NumPy不仅效率更高;它也更方便。你可以免费得到很多向量和矩阵的运算，有时可以避免不必要的工作。它们也得到了有效的实施。

例如，你可以直接从文件中读入一个数组:

x = numpy.fromfile(file=open("data"), dtype=float).reshape((100, 100, 100))

沿着第二个维度求和:

s = x.sum(axis=1)

找出超过阈值的单元格:

(x > 0.5).nonzero()

移除第三维度上的每一个偶数索引切片:

x[:, :, ::2]

此外，许多有用的库都使用NumPy数组。例如，统计分析和可视化库。

即使您没有性能问题，学习NumPy也是值得的。

Alex提到了内存效率，Roberto提到了便利性，这些都是很好的观点。至于更多的想法，我将提到速度和功能。

功能:你有很多内置NumPy, FFTs，卷积，快速搜索，基本统计，线性代数，直方图等。说真的，谁能离开FFTs呢?

速度:这是一个对列表和NumPy数组进行求和的测试，显示NumPy数组上的和快10倍(在这个测试中-里程可能会有所不同)。

from numpy import arange
from timeit import Timer

Nelements = 10000
Ntimeits = 10000

x = arange(Nelements)
y = range(Nelements)

t_numpy = Timer("x.sum()", "from __main__ import x")
t_list = Timer("sum(y)", "from __main__ import y")
print("numpy: %.3e" % (t_numpy.timeit(Ntimeits)/Ntimeits,))
print("list:  %.3e" % (t_list.timeit(Ntimeits)/Ntimeits,))

在我的系统上(当我运行备份时)给出:

numpy: 3.004e-05
list:  5.363e-04

NumPy不仅效率更高;它也更方便。你可以免费得到很多向量和矩阵的运算，有时可以避免不必要的工作。它们也得到了有效的实施。

例如，你可以直接从文件中读入一个数组:

x = numpy.fromfile(file=open("data"), dtype=float).reshape((100, 100, 100))

沿着第二个维度求和:

s = x.sum(axis=1)

找出超过阈值的单元格:

(x > 0.5).nonzero()

移除第三维度上的每一个偶数索引切片:

x[:, :, ::2]

此外，许多有用的库都使用NumPy数组。例如，统计分析和可视化库。

即使您没有性能问题，学习NumPy也是值得的。

NumPy不是另一种编程语言，而是Python扩展模块。它对同构数据数组提供了快速高效的操作。 Numpy有固定的创建大小。 在Python中:列表用方括号编写。 这些列表可以是同构的，也可以是异构的 使用Numpy数组而不是Python列表的主要优点: 它消耗的内存更少。 与python列表相比速度快。 使用方便。

以下是scipy.org网站常见问题解答中的一个很好的答案:

NumPy数组比(嵌套的)Python列表有什么优势?

Python’s lists are efficient general-purpose containers. They support (fairly) efficient insertion, deletion, appending, and concatenation, and Python’s list comprehensions make them easy to construct and manipulate. However, they have certain limitations: they don’t support “vectorized” operations like elementwise addition and multiplication, and the fact that they can contain objects of differing types mean that Python must store type information for every element, and must execute type dispatching code when operating on each element. This also means that very few list operations can be carried out by efficient C loops – each iteration would require type checks and other Python API bookkeeping.

The standard mutable multielement container in Python is the list. Because of Python's dynamic typing, we can even create heterogeneous list. To allow these flexible types, each item in the list must contain its own type info, reference count, and other information. That is, each item is a complete Python object. In the special case that all variables are of the same type, much of this information is redundant; it can be much more efficient to store data in a fixed-type array (NumPy-style). Fixed-type NumPy-style arrays lack this flexibility, but are much more efficient for storing and manipulating data.