@Steve已经很好地回答了你的问题:

verts = [None] * 1000

警告:正如@Joachim Wuttke指出的，列表必须用一个不可变元素初始化。[[]] * 1000不能像预期的那样工作，因为你会得到一个包含1000个相同列表的列表(类似于C中包含1000个指向同一列表的点的列表)。像int, str或tuple这样的不可变对象可以很好地工作。

选择

调整列表的大小很慢。以下结果并不令人惊讶:

>>> N = 10**6

>>> %timeit a = [None] * N
100 loops, best of 3: 7.41 ms per loop

>>> %timeit a = [None for x in xrange(N)]
10 loops, best of 3: 30 ms per loop

>>> %timeit a = [None for x in range(N)]
10 loops, best of 3: 67.7 ms per loop

>>> a = []
>>> %timeit for x in xrange(N): a.append(None)
10 loops, best of 3: 85.6 ms per loop

但是如果您没有非常大的列表，那么调整大小并不会非常慢。不要用单个元素(例如None)和固定长度来初始化列表以避免列表大小的调整，你应该考虑使用列表综合式并直接用正确的值填充列表。例如:

>>> %timeit a = [x**2 for x in xrange(N)]
10 loops, best of 3: 109 ms per loop

>>> def fill_list1():
    """Not too bad, but complicated code"""
    a = [None] * N
    for x in xrange(N):
        a[x] = x**2
>>> %timeit fill_list1()
10 loops, best of 3: 126 ms per loop

>>> def fill_list2():
    """This is slow, use only for small lists"""
    a = []
    for x in xrange(N):
        a.append(x**2)
>>> %timeit fill_list2()
10 loops, best of 3: 177 ms per loop

与numpy的比较

对于庞大的数据集，numpy或其他优化的库要快得多:

from numpy import ndarray, zeros
%timeit empty((N,))
1000000 loops, best of 3: 788 ns per loop

%timeit zeros((N,))
100 loops, best of 3: 3.56 ms per loop

一个显而易见但可能并不有效的方法是

verts = [0 for x in range(1000)]

注意，这可以很容易地扩展到二维。 例如，要获得一个10x100的“数组”，你可以这样做

verts = [[0 for x in range(100)] for y in range(10)]

我首先想到的是:

verts = [None]*1000

但是你真的需要初始化它吗?

你可以这样做:

verts = list(xrange(1000))

这将为您提供一个大小为1000个元素的列表，并且恰巧初始化值为0-999。由于list首先执行__len__来调整新列表的大小，因此应该相当有效。

@Steve已经很好地回答了你的问题:

verts = [None] * 1000

警告:正如@Joachim Wuttke指出的，列表必须用一个不可变元素初始化。[[]] * 1000不能像预期的那样工作，因为你会得到一个包含1000个相同列表的列表(类似于C中包含1000个指向同一列表的点的列表)。像int, str或tuple这样的不可变对象可以很好地工作。

选择

调整列表的大小很慢。以下结果并不令人惊讶:

>>> N = 10**6

>>> %timeit a = [None] * N
100 loops, best of 3: 7.41 ms per loop

>>> %timeit a = [None for x in xrange(N)]
10 loops, best of 3: 30 ms per loop

>>> %timeit a = [None for x in range(N)]
10 loops, best of 3: 67.7 ms per loop

>>> a = []
>>> %timeit for x in xrange(N): a.append(None)
10 loops, best of 3: 85.6 ms per loop

但是如果您没有非常大的列表，那么调整大小并不会非常慢。不要用单个元素(例如None)和固定长度来初始化列表以避免列表大小的调整，你应该考虑使用列表综合式并直接用正确的值填充列表。例如:

>>> %timeit a = [x**2 for x in xrange(N)]
10 loops, best of 3: 109 ms per loop

>>> def fill_list1():
    """Not too bad, but complicated code"""
    a = [None] * N
    for x in xrange(N):
        a[x] = x**2
>>> %timeit fill_list1()
10 loops, best of 3: 126 ms per loop

>>> def fill_list2():
    """This is slow, use only for small lists"""
    a = []
    for x in xrange(N):
        a.append(x**2)
>>> %timeit fill_list2()
10 loops, best of 3: 177 ms per loop

与numpy的比较

对于庞大的数据集，numpy或其他优化的库要快得多:

from numpy import ndarray, zeros
%timeit empty((N,))
1000000 loops, best of 3: 788 ns per loop

%timeit zeros((N,))
100 loops, best of 3: 3.56 ms per loop

不太清楚为什么每个人都给你这样做的困难时间-有几种情况下，你需要一个固定大小的初始化列表。你已经正确地推断出数组在这种情况下是可行的。

import array
verts=array.array('i',(0,)*1000)

对于非python爱好者，(0，)*1000项创建的是包含1000个零的元组。逗号迫使python将(0)识别为元组，否则它将被求值为0。

我使用元组而不是列表，因为它们通常有更低的开销。