在Python中，这是一个非常复杂的主题。

实际回答

数组由类列表表示(请参阅参考，不要将它们与生成器混合)。

看看用法示例:

# empty array
arr = [] 

# init with values (can contain mixed types)
arr = [1, "eels"]

# get item by index (can be negative to access end of array)
arr = [1, 2, 3, 4, 5, 6]
arr[0]  # 1
arr[-1] # 6

# get length
length = len(arr)

# supports append and insert
arr.append(8)
arr.insert(6, 7)

理论的答案

实际上，Python的列表是一个实际数组的包装器，其中包含对项的引用。此外，创建底层数组时还使用了一些额外的空间。

这样做的后果是:

随机访问非常便宜(arr[6653]与arr[0]相同) 附加操作是“免费的”，而一些额外的空间 插入操作是昂贵的

看看这个令人敬畏的操作复杂度表。

另外，请看看这张图，在这里我试图展示数组，引用数组和链表之间最重要的区别:

你不需要在Python中声明任何东西。你只需使用它。我建议你从http://diveintopython.net开始。

继Lennart之后，还有实现同构多维数组的numpy。

为了补充Lennart的答案，可以像这样创建一个数组:

from array import array
float_array = array("f",values)

其中值可以采用元组、列表或np的形式。数组，而不是数组:

values = [1,2,3]
values = (1,2,3)
values = np.array([1,2,3],'f')
# 'i' will work here too, but if array is 'i' then values have to be int
wrong_values = array('f',[1,2,3])
# TypeError: 'array.array' object is not callable

输出仍然是相同的:

print(float_array)
print(float_array[1])
print(isinstance(float_array[1],float))

# array('f', [1.0, 2.0, 3.0])
# 2.0
# True

大多数用于列表的方法也适用于数组，这是常见的 分别是pop()、extend()和append()。

从回答和评论来看，似乎数组 数据结构不是那么流行。不过我还是喜欢 就像人们可能更喜欢元组而不是列表一样。

数组结构具有比list或np更严格的规则。数组，这个可以 减少错误并使调试更容易，特别是在使用数值时 数据。

尝试将浮点数插入/追加到int数组将抛出TypeError:

values = [1,2,3]
int_array = array("i",values)
int_array.append(float(1))
# or int_array.extend([float(1)])

# TypeError: integer argument expected, got float

在数组中保留应该是整数的值(例如索引列表) form可能因此防止“TypeError: list index must be integer, not float”，因为数组可以迭代，类似于np。数组和列表:

int_array = array('i',[1,2,3])
data = [11,22,33,44,55]
sample = []
for i in int_array:
    sample.append(data[i])

烦人的是，将一个int型数组附加到一个浮点型数组将导致该int型变成一个浮点型，而不会引发异常。

np。数组也会为它的条目保留相同的数据类型，但它不会给出错误，而是会改变它的数据类型来适应新的条目(通常是double或str):

import numpy as np
numpy_int_array = np.array([1,2,3],'i')
for i in numpy_int_array:
    print(type(i))
    # <class 'numpy.int32'>
numpy_int_array_2 = np.append(numpy_int_array,int(1))
# still <class 'numpy.int32'>
numpy_float_array = np.append(numpy_int_array,float(1))
# <class 'numpy.float64'> for all values
numpy_str_array = np.append(numpy_int_array,"1")
# <class 'numpy.str_'> for all values
data = [11,22,33,44,55]
sample = []
for i in numpy_int_array_2:
    sample.append(data[i])
    # no problem here, but TypeError for the other two

在作业中也是如此。如果指定了数据类型，则np。数组将在任何可能的情况下将条目转换为该数据类型:

int_numpy_array = np.array([1,2,float(3)],'i')
# 3 becomes an int
int_numpy_array_2 = np.array([1,2,3.9],'i')
# 3.9 gets truncated to 3 (same as int(3.9))
invalid_array = np.array([1,2,"string"],'i')
# ValueError: invalid literal for int() with base 10: 'string'
# Same error as int('string')
str_numpy_array = np.array([1,2,3],'str')
print(str_numpy_array)
print([type(i) for i in str_numpy_array])
# ['1' '2' '3']
# <class 'numpy.str_'>

或者，本质上:

data = [1.2,3.4,5.6]
list_1 = np.array(data,'i').tolist()
list_2 = [int(i) for i in data]
print(list_1 == list_2)
# True

While数组将简单地给出:

invalid_array = array([1,2,3.9],'i')
# TypeError: integer argument expected, got float

因此，使用np并不是一个好主意。数组用于特定类型的命令。数组结构在这里很有用。List保留值的数据类型。

对于一些我发现相当麻烦的事情:数据类型被指定为array()中的第一个参数，但(通常)在np.array()中的第二个参数。: |

与C的关系如下: Python列表vs.数组-何时使用?

祝探索愉快!

注意:数组的类型化和相当严格的性质更倾向于C而不是Python，并且按照设计，Python的函数中没有许多特定于类型的约束。它的不受欢迎也在协作工作中创造了一个积极的反馈，取代它主要涉及一个额外的[int(x) for x in file]。因此，忽略数组的存在是完全可行和合理的。它不应该以任何方式阻碍我们大多数人。: D

计算时，使用numpy数组:

import numpy as np

a = np.ones((3,2))        # a 2D array with 3 rows, 2 columns, filled with ones
b = np.array([1,2,3])     # a 1D array initialised using a list [1,2,3]
c = np.linspace(2,3,100)  # an array with 100 points beteen (and including) 2 and 3

print(a*1.5)  # all elements of a times 1.5
print(a.T+b)  # b added to the transpose of a

这些numpy数组可以从磁盘保存和加载(甚至压缩)，具有大量元素的复杂计算像c一样快。

多用于科学环境。更多信息请看这里。

我通常只写a =[1,2,3]，这实际上是一个列表，但对于数组，看看这个正式的定义