简单的方法是检查长度是否等于零。

if len(a) == 0:
    print("a is empty")

帕特里克（被接受）的答案是正确的：如果不是：是正确的做法。哈雷·霍尔科姆（Harley Holcombe）的回答是正确的，这是在PEP8风格指南中。但没有一个答案能解释为什么遵循这个习语是一个好主意，即使你个人觉得它不够明确或让Ruby用户感到困惑。

Python代码和Python社区有很强的习惯用法。遵循这些习惯用法可以让任何有Python经验的人更容易阅读代码。当你违反这些习惯用语时，这是一个强烈的信号。

的确，如果不是：，就不能将空列表与None、数字0、空元组、空用户创建的集合类型、空用户生成的不完全集合类型、或单个元素NumPy数组用作带有假值的标量等区分开来。在这种情况下，你知道你想表达什么，所以你可以测试一下。例如，如果不是a，并且a不是None：表示“除了None以外的任何错误”，而如果len（a）！=0：表示“只有空序列和除了序列之外的任何东西在这里都是错误的”，以此类推。除了测试你想要测试的东西之外，这也向读者发出了这个测试很重要的信号。

但是，当你没有什么要明确的时候，除了：以外的任何东西都会误导读者。当它不重要的时候，你在发出同样重要的信号。（你也可能会让代码变得不那么灵活，或者更慢，或者其他什么的，但这都不那么重要。）如果你习惯性地这样误导读者，那么当你确实需要做出区分时，它会被忽略，因为你一直在代码中“嚎啕大哭”。

检查列表是否为空的最佳方法例如，如果通过以下步骤：a=[]如何检查a是否为空？

简短回答：

将列表放在布尔上下文中（例如，使用if或while语句）。如果为空，则测试False，否则测试True。例如：

if not a:                           # do this!
    print('a is an empty list')

第8段

PEP8是Python标准库中Python代码的官方Python风格指南，它断言：

对于序列（字符串、列表、元组），请使用空序列为false的事实。是：如果不是seq：如果seq：否：如果len（seq）：如果不是len（seq）：

我们应该期望标准库代码应该尽可能高性能和正确。但为什么会这样，为什么我们需要这种指导？

解释

我经常从刚接触Python的经验丰富的程序员那里看到这样的代码：

if len(a) == 0:                     # Don't do this!
    print('a is an empty list')

懒惰语言的用户可能会这样做：

if a == []:                         # Don't do this!
    print('a is an empty list')

这些在各自的其他语言中都是正确的。这在Python中甚至是语义正确的。

但我们认为它是非Python的，因为Python通过布尔强制在列表对象的接口中直接支持这些语义。

从文档中（并特别注意空列表的包含，[]）：

默认情况下，除非对象的类定义返回False的__bool__（）方法或__len__（）方法当使用对象调用时，返回零。以下是大多数被认为是假的内置对象：常量定义为false：None和false。任何数字类型的零：0，0.0，0j，十进制（0），分数（0，1）空序列和集合：“”，（），[]，{}，set（），range（0）

以及数据模型文档：

对象__布尔_（自身）调用以实现真值测试和内置操作bool（）；应返回False或True。当未定义该方法时，__如果定义了len__（），则调用它，如果结果为非零，则该对象视为真。如果类既没有定义__len__（）也不是__bool_（），它的所有实例都被认为是真的。

and

对象__len__（自己）调用以实现内置函数len（）。应该返回对象的长度，一个大于等于0的整数。此外，未定义__bool__（）方法且__len__（）方法返回零的对象在布尔上下文中被视为false。

因此，与此相反：

if len(a) == 0:                     # Don't do this!
    print('a is an empty list')

或者：

if a == []:                     # Don't do this!
    print('a is an empty list')

执行以下操作：

if not a:
    print('a is an empty list')

做Pythonic通常会在表演中获得回报：

它有回报吗？（请注意，执行等效操作的时间越短越好：）

>>> import timeit
>>> min(timeit.repeat(lambda: len([]) == 0, repeat=100))
0.13775854044661884
>>> min(timeit.repeat(lambda: [] == [], repeat=100))
0.0984637276455409
>>> min(timeit.repeat(lambda: not [], repeat=100))
0.07878462291455435

对于scale，这里是调用函数、构造和返回空列表的成本，您可以从上面使用的空检查的成本中减去该成本：

>>> min(timeit.repeat(lambda: [], repeat=100))
0.07074015751817342

我们看到，使用内置函数len（与0相比）检查长度，或者检查空列表，都比使用所记录的语言的内置语法性能差得多。

Why?

对于len（a）==0，检查：

首先，Python必须检查全局变量，以查看len是否被隐藏。

然后，它必须调用函数，加载0，并在Python中进行相等比较（而不是使用C）：

>>> import dis
>>> dis.dis(lambda: len([]) == 0)
  1           0 LOAD_GLOBAL              0 (len)
              2 BUILD_LIST               0
              4 CALL_FUNCTION            1
              6 LOAD_CONST               1 (0)
              8 COMPARE_OP               2 (==)
             10 RETURN_VALUE

对于[]==[]，它必须构建一个不必要的列表，然后再次在Python的虚拟机中执行比较操作（与C相反）

>>> dis.dis(lambda: [] == [])
  1           0 BUILD_LIST               0
              2 BUILD_LIST               0
              4 COMPARE_OP               2 (==)
              6 RETURN_VALUE

“Pythonic”方法是一种更简单、更快的检查方法，因为列表的长度缓存在对象实例头中：

>>> dis.dis(lambda: not [])
  1           0 BUILD_LIST               0
              2 UNARY_NOT
              4 RETURN_VALUE

C来源的证据和文件

PyVarObject这是PyObject的扩展，添加了ob_size字段。这仅用于具有某种长度概念的对象。这种类型不经常出现在Python/C API中。它对应于由PyObject_VAR_HEAD宏展开定义的字段。

从Include/listobject.h中的c源代码：

typedef struct {
    PyObject_VAR_HEAD
    /* Vector of pointers to list elements.  list[0] is ob_item[0], etc. */
    PyObject **ob_item;

    /* ob_item contains space for 'allocated' elements.  The number
     * currently in use is ob_size.
     * Invariants:
     *     0 <= ob_size <= allocated
     *     len(list) == ob_size

对评论的回应：

我要指出的是，这对于非空情况也是如此，尽管它很难看，如l=[]，然后%timeitlen（l）！=0 90.6纳秒±8.3纳秒，%时间l！=[]55.6 ns±3.09，%时间不超过38.5 ns±0.372。但是，尽管速度是原来的三倍，但没有人会喜欢我。这看起来很可笑。但速度取胜我想问题是用timeit测试，因为仅当l：足够，但令人惊讶的是%timeit bool（l）产生101 ns±2.64 ns。有趣的是，如果没有这种惩罚，就没有办法强迫发出嘘声。%时间是无用的，因为不会发生转换。

IPython魔法%timeit在这里并非完全无用：

In [1]: l = []                                                                  

In [2]: %timeit l                                                               
20 ns ± 0.155 ns per loop (mean ± std. dev. of 7 runs, 100000000 loops each)

In [3]: %timeit not l                                                           
24.4 ns ± 1.58 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [4]: %timeit not not l                                                       
30.1 ns ± 2.16 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

我们可以看到，每增加一项都会有一点线性成本。我们希望看到成本相同，也就是说，所有其他方面都是平等的——所有其他方面尽可能最小化：

In [5]: %timeit if l: pass                                                      
22.6 ns ± 0.963 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [6]: %timeit if not l: pass                                                  
24.4 ns ± 0.796 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [7]: %timeit if not not l: pass                                              
23.4 ns ± 0.793 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

现在，让我们来看一个非空列表的例子：

In [8]: l = [1]                                                                 

In [9]: %timeit if l: pass                                                      
23.7 ns ± 1.06 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [10]: %timeit if not l: pass                                                 
23.6 ns ± 1.64 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

In [11]: %timeit if not not l: pass                                             
26.3 ns ± 1 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

我们在这里看到的是，无论是将实际布尔值传递给条件检查还是传递给列表本身，都没有什么不同，如果有什么不同的话，那么给出列表的速度会更快。

Python是用C编写的；它使用C级的逻辑。用Python编写的任何内容都会比较慢。除非您直接使用Python内置的机制，否则它可能会慢几个数量级。

我曾写道：

if isinstance(a, (list, some, other, types, i, accept)) and not a:
    do_stuff

投票结果为-1。我不确定这是否是因为读者反对这一策略，或者认为答案没有帮助。我会假装是后者，因为——无论什么叫做“蟒蛇”——这是正确的策略。除非你已经排除了，或者已经准备好处理a为False的情况，否则你需要一个比不是：更严格的测试。你可以用这样的方法：

if isinstance(a, numpy.ndarray) and not a.size:
    do_stuff
elif isinstance(a, collections.Sized) and not a:
    do_stuff

第一个测试是对上面@Mike的回答的回应。第三行也可以替换为：

elif isinstance(a, (list, tuple)) and not a:

如果您只想接受特定类型（及其子类型）的实例，或者使用：

elif isinstance(a, (list, tuple)) and not len(a):

如果不进行显式类型检查，您就可以离开，但前提是周围的上下文已经向您保证a是您准备处理的类型的值，或者如果您确定您不准备处理的那些类型将引发您准备好处理的错误（例如，如果您在未定义的值上调用len，则为TypeError）。总的来说，“蟒蛇”习俗似乎走到了最后一条路。像鸭子一样挤压它，如果它不知道如何呱呱叫，就让它养一只鸭子。不过，你仍然需要考虑你正在做什么样的假设，以及你没有准备好正确处理的案例是否真的会在正确的地方出错。Numpy数组是一个很好的例子，其中仅仅盲目地依赖len或布尔类型转换可能无法实现预期的效果。

已经给出了很多答案，其中很多都很好。我只是想加上那张支票

not a

也将通过None和其他类型的空结构。如果您确实想检查空列表，可以执行以下操作：

if isinstance(a, list) and len(a)==0:
    print("Received an empty list")

这是谷歌对“python测试空数组”和类似查询的第一次点击，其他人将这个问题概括为列表之外的问题，所以这里有很多人使用的不同类型的序列的警告。

其他方法不适用于NumPy数组

您需要小心使用NumPy数组，因为对于列表或其他标准容器工作正常的其他方法对于NumPy阵列失败。我在下面解释了原因，但简而言之，首选的方法是使用大小。

“蟒蛇”的方式行不通：第一部分

NumPy数组的“pythonic”方法失败，因为NumPy试图将数组强制转换为布尔值数组，如果x试图同时计算所有布尔值以获得某种聚合真值。但这没有任何意义，因此您会得到ValueError：

>>> x = numpy.array([0,1])
>>> if x: print("x")
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

“蟒蛇”的方式行不通：第2部分

但至少上述案例告诉你，它失败了。如果您恰好有一个仅包含一个元素的NumPy数组，则If语句将“有效”，即不会出现错误。但是，如果该元素恰好为0（或0.0，或False，…），if语句将错误地导致False：

>>> x = numpy.array([0,])
>>> if x: print("x")
... else: print("No x")
No x

但显然x存在并且不是空的！这个结果不是你想要的。

使用len可能会产生意想不到的结果

例如

len( numpy.zeros((1,0)) )

返回1，即使数组没有元素。

numpythonic方式

正如SciPy常见问题解答中所解释的，在所有已知拥有NumPy数组的情况下，正确的方法是在x.size：

>>> x = numpy.array([0,1])
>>> if x.size: print("x")
x

>>> x = numpy.array([0,])
>>> if x.size: print("x")
... else: print("No x")
x

>>> x = numpy.zeros((1,0))
>>> if x.size: print("x")
... else: print("No x")
No x

如果您不确定它是列表、NumPy数组还是其他类型，可以将此方法与@dubiusjim给出的答案结合起来，以确保对每种类型使用正确的测试。不是很“蟒蛇”，但事实证明NumPy至少在这个意义上故意破坏了蟒蛇。

如果您需要做的不仅仅是检查输入是否为空，而且您正在使用其他NumPy特性，如索引或数学运算，那么强制输入为NumPy数组可能更有效（当然也更常见）。有几个很好的函数可以快速实现这一点，最重要的是numpy.asarray。它接受您的输入，如果它已经是一个数组，则不执行任何操作，如果它是一个列表、元组等，则将您的输入包装到一个数组中，并可选地将其转换为您选择的数据类型。因此，无论何时，它都非常快速，并确保您只需假设输入是一个NumPy数组。我们通常甚至只使用相同的名称，因为转换到数组不会使其返回到当前范围之外：

x = numpy.asarray(x, dtype=numpy.double)

这将使x.size检查在我在本页上看到的所有情况下都有效。