Как задать массив в Python

В Python для представления массивов чаще всего используют списки. Списки — это универсальный и гибкий тип данных, который позволяет хранить элементы различного типа (числа, строки, другие списки и т.д.).

Создание списка (массива)

1. Пустой список:

Python

my_list = []

2. Список с предопределенными элементами:

Python

numbers = [1, 2, 3, 4, 5]
fruits = ["яблоко", "банан", "груша"]
mixed = [10, "hello", 3.14]

3. Список с использованием генератора списков (для более сложных случаев):

Python

squares = [x**2 for x in range(10)] # Список квадратов чисел от 0 до 9

Доступ к элементам

• Индексация: Начинается с 0.Pythonfirst_element = numbers[0] # Получим 1
  

Срезы: Извлечение части списка.

Python

sublist = numbers[1:4] # Получим [2, 3, 4]

Отрицательные индексы: С конца списка.

Python

last_element = numbers[-1] # Получим 5

Изменение элементов

Python

numbers[2] = 10 # Заменим третий элемент на 10

Добавление элементов

• В конец:

Python

• fruits.append("апельсин")
  

В любое место:

Python

numbers.insert(2, 6) # Вставим 6 на позицию с индексом 2

Удаление элементов

• По значению:

Python

fruits.remove("банан")
По индексу:

Python

del numbers[0]

Основные операции со списками

• Длина списка: len(numbers)
• Проверка на наличие элемента: if 3 in numbers:
• Сложение списков: new_list = numbers + fruits
• Повторение элементов: repeated = [0] * 5 (получим [0, 0, 0, 0, 0])

Когда использовать списки

• Хранение упорядоченной коллекции элементов: Например, список студентов в группе.
• Работа с последовательностями: Для итерации по элементам, например, в циклах for.
• Реализация стеков, очередей и других структур данных.

Когда использовать NumPy массивы

• Численные вычисления: NumPy предоставляет высокоэффективные функции для работы с массивами чисел.
• Многомерные массивы: Для работы с матрицами и тензорами.
• Интеграция с научными библиотеками: Такие как SciPy, Matplotlib и т.д.

Выбор между списками и NumPy массивами зависит от конкретной задачи:

• Для большинства задач, связанных с обработкой данных, списки вполне подходят.
• Если вам нужны высокопроизводительные вычисления с большими массивами чисел, то NumPy будет более эффективным выбором.

Пример с NumPy:

Python

import numpy as np

# Создаем NumPy массив my_array = np.array([1, 2, 3, 4, 5])

# Выполняем операции поэлементно result = my_array * 2 # Умножим каждый элемент на 2