Nếu bạn đang tạo mảng 1d, bạn có thể triển khai nó dưới dạng Danh sách hoặc sử dụng mô-đun 'mảng' trong thư viện chuẩn. Tôi đã luôn sử dụng Danh sách cho mảng 1d.
Lý do hoặc hoàn cảnh mà tôi muốn sử dụng mô-đun mảng là gì?
Là nó để tối ưu hóa hiệu suất và bộ nhớ, hoặc tôi đang thiếu một cái gì đó rõ ràng?
Câu trả lời:
Về cơ bản, danh sách Python rất linh hoạt và có thể chứa dữ liệu hoàn toàn không đồng nhất, tùy ý và chúng có thể được thêm vào rất hiệu quả, trong thời gian không đổi được khấu hao . Nếu bạn cần thu nhỏ và phát triển danh sách của mình một cách hiệu quả và không gặp rắc rối, chúng là cách để đi. Nhưng họ sử dụng một không gian nhiều hơn mảng C .
Mặt array.arraykhác, loại chỉ là một lớp bao bọc mỏng trên mảng C. Nó chỉ có thể chứa dữ liệu đồng nhất, tất cả cùng loại và do đó, nó chỉ sử dụng sizeof(one object) * lengthbyte bộ nhớ. Hầu hết, bạn nên sử dụng nó khi bạn cần hiển thị một mảng C cho một phần mở rộng hoặc một cuộc gọi hệ thống (ví dụ, ioctlhoặc fctnl).
array.arraycũng là một cách hợp lý để biểu diễn một chuỗi có thể thay đổi trong Python 2.x ( array('B', bytes)). Tuy nhiên, Python 2.6+ và 3.x cung cấp một chuỗi byte có thể thay đổi như bytearray.
Tuy nhiên, nếu bạn muốn thực hiện toán học trên một mảng dữ liệu số đồng nhất, thì tốt hơn hết bạn nên sử dụng NumPy, có thể tự động vector hóa các hoạt động trên các mảng đa chiều phức tạp.
Để làm cho một câu chuyện dài ngắn : array.arrayhữu ích khi bạn cần một mảng dữ liệu C đồng nhất vì những lý do khác ngoài làm toán .
sizeof(element)byte (số phần tử) byte, cộng với một tiêu đề cố định nhỏ cho chi phí. Tuy nhiên, ndarray có một số tùy chọn nâng cao để xử lý các mảng rời rạc và thưa thớt và tôi nghĩ rằng một số chiến lược có thể cắm được để phân bổ bộ nhớ cho các mảng lớn ... một số tính năng nâng cao này sẽ khiến người dùng ít bộ nhớ hơn , trong khi các tính năng khác sẽ cải thiện hiệu suất bằng cách sử dụng nhiều hơn ký ức.
Đối với hầu hết các trường hợp, danh sách bình thường là sự lựa chọn đúng đắn. Mô-đun mảng giống như một trình bao bọc mỏng hơn các mảng C, cung cấp cho bạn loại bộ chứa được gõ mạnh (xem tài liệu ), với quyền truy cập vào các loại giống C hơn như ký hiệu ngắn hoặc không dấu, không phải là một phần của được xây dựng -in các loại. Tôi muốn nói chỉ sử dụng mô-đun mảng nếu bạn thực sự cần nó, trong tất cả các trường hợp khác gắn với danh sách.
arrayđược không có nghĩa là để làm toán . Nếu bạn thử NumPy ndarrayđể tổng hợp một mảng 10 ^ 8 số, nó sẽ hoàn toàn listbiến mất. @tzot có ý tưởng đúng về lý do tại sao tích hợp arraychậm cho toán học.
Mô-đun mảng là một trong những điều mà bạn có thể không cần nếu bạn không biết lý do tại sao bạn sẽ sử dụng nó (và lưu ý rằng tôi không cố nói điều đó theo cách hạ thấp!) . Hầu hết thời gian, mô-đun mảng được sử dụng để giao tiếp với mã C. Để cung cấp cho bạn câu trả lời trực tiếp hơn cho câu hỏi của bạn về hiệu suất:
Mảng hiệu quả hơn danh sách cho một số sử dụng. Nếu bạn cần phân bổ một mảng mà bạn BIẾT sẽ không thay đổi, thì mảng có thể nhanh hơn và sử dụng ít bộ nhớ hơn. GvR có một giai thoại tối ưu hóa trong đó mô-đun mảng xuất hiện để trở thành người chiến thắng (đọc lâu, nhưng đáng giá).
Mặt khác, một phần lý do tại sao danh sách chiếm nhiều bộ nhớ hơn mảng là vì python sẽ phân bổ một vài phần tử bổ sung khi tất cả các phần tử được phân bổ được sử dụng. Điều này có nghĩa là việc thêm các mục vào danh sách nhanh hơn. Vì vậy, nếu bạn có kế hoạch thêm các mục, một danh sách là cách để đi.
TL; DR Tôi chỉ sử dụng một mảng nếu bạn có nhu cầu tối ưu hóa đặc biệt hoặc bạn cần giao diện với mã C (và không thể sử dụng pyrex ).
Đó là một sự đánh đổi!
ưu điểm của từng người:
Tôi hiểu rằng các mảng được lưu trữ hiệu quả hơn (nghĩa là các khối bộ nhớ liền kề so với các con trỏ tới các đối tượng Python), nhưng tôi không nhận thấy bất kỳ lợi ích hiệu năng nào. Ngoài ra, với các mảng, bạn phải lưu trữ các kiểu nguyên thủy cùng loại, trong khi danh sách có thể lưu trữ mọi thứ.
Nếu bạn đang sử dụng mảng, hãy xem xét các gói numpy hoặc scipy, cung cấp cho bạn các mảng với độ linh hoạt hơn rất nhiều.
Mảng chỉ có thể được sử dụng cho các loại cụ thể, trong khi danh sách có thể được sử dụng cho bất kỳ đối tượng nào.
Mảng cũng chỉ có thể dữ liệu của một loại, trong khi một danh sách có thể có các mục của các loại đối tượng khác nhau.
Mảng cũng hiệu quả hơn đối với một số tính toán số.
Câu trả lời này sẽ tổng hợp gần như tất cả các truy vấn về thời điểm sử dụng Danh sách và Mảng:
Sự khác biệt chính giữa hai loại dữ liệu này là các thao tác bạn có thể thực hiện trên chúng. Ví dụ: bạn có thể chia một mảng cho 3 và nó sẽ chia mỗi phần tử của mảng cho 3. Không thể thực hiện tương tự với danh sách.
Danh sách này là một phần của cú pháp của python vì vậy nó không cần phải khai báo trong khi bạn phải khai báo mảng trước khi sử dụng nó.
Bạn có thể lưu trữ các giá trị của các loại dữ liệu khác nhau trong một danh sách (không đồng nhất), trong khi trong Mảng bạn chỉ có thể lưu trữ các giá trị của cùng một loại dữ liệu (đồng nhất).
Mảng là giàu chức năng và nhanh chóng, nó được sử dụng rộng rãi cho các hoạt động số học và để lưu trữ một lượng lớn dữ liệu - so với danh sách.
Mảng mất ít bộ nhớ so với danh sách.
Liên quan đến hiệu suất, đây là một số con số so sánh danh sách python, mảng và mảng numpy (tất cả đều có Python 3.7 trên Macbook Pro 2017). Kết quả cuối cùng là danh sách python là nhanh nhất cho các hoạt động này.
# Python list with append()
np.mean(timeit.repeat(setup="a = []", stmt="a.append(1.0)", number=1000, repeat=5000)) * 1000
# 0.054 +/- 0.025 msec
# Python array with append()
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a.append(1.0)", number=1000, repeat=5000)) * 1000
# 0.104 +/- 0.025 msec
# Numpy array with append()
np.mean(timeit.repeat(setup="import numpy as np; a = np.array([])", stmt="np.append(a, [1.0])", number=1000, repeat=5000)) * 1000
# 5.183 +/- 0.950 msec
# Python list using +=
np.mean(timeit.repeat(setup="a = []", stmt="a += [1.0]", number=1000, repeat=5000)) * 1000
# 0.062 +/- 0.021 msec
# Python array using +=
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a += array.array('f', [1.0]) ", number=1000, repeat=5000)) * 1000
# 0.289 +/- 0.043 msec
# Python list using extend()
np.mean(timeit.repeat(setup="a = []", stmt="a.extend([1.0])", number=1000, repeat=5000)) * 1000
# 0.083 +/- 0.020 msec
# Python array using extend()
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a.extend([1.0]) ", number=1000, repeat=5000)) * 1000
# 0.169 +/- 0.034