Python 有两种主要的 "array"：

1. 内置的 list（列表）：这是 Python 最常用、最灵活的数据结构，它可以存储任意类型的元素（数字、字符串、对象等），并且大小是动态的，你不需要预先指定其大小。
2. array 模块中的 array（数组）：这是 Python 标准库 array 提供的一种数据结构，它只能存储同一种基本数据类型（如整数、浮点数等），并且比 list 更节省内存，访问速度更快，它更像 C 语言或 Java 中的数组。

还有一个非常强大的第三方库叫做 NumPy，它提供了 numpy.ndarray（N 维数组），这是科学计算、数据分析和机器学习领域的事实标准，它的性能远超 list 和 array 模块。

转换关系可以分为以下几种情况：

• list ↔ array.array
• list ↔ numpy.ndarray
• array.array ↔ numpy.ndarray

下面我们一一详细说明。

list 与 array.array 之间的转换

array.array 是标准库的一部分，使用前需要导入。

将 list 转换为 array.array

使用 array.array() 构造函数，并指定一个类型码（type code）来告诉数组要存储哪种数据类型。

常用类型码：

• 'b': 有符号整数 (字节)
• 'B': 无符号整数 (字节)
• 'u': Unicode 字符 (已弃用)
• 'h': 有符号短整型
• 'i': 有符号整型
• 'l': 有符号长整型
• 'f': 单精度浮点数
• 'd': 双精度浮点数

示例代码：

import array
# 1. 将整数列表转换为整数数组
my_list = [1, 2, 3, 4, 5]
# 'i' 代表 signed integer (有符号整型)
my_array = array.array('i', my_list)
print(f"List: {my_list}")
print(f"Array: {my_array}")
print(f"Type of array: {type(my_array)}")
print("-" * 20)
# 2. 将浮点数列表转换为浮点数数组
float_list = [1.1, 2.2, 3.3, 4.4]
# 'd' 代表 double (双精度浮点数)
float_array = array.array('d', float_list)
print(f"Float List: {float_list}")
print(f"Float Array: {float_array}")
print(f"Type of float array: {type(float_array)}")

输出：

List: [1, 2, 3, 4, 5]
Array: array('i', [1, 2, 3, 4, 5])
Type of array: <class 'array.array'>
--------------------
Float List: [1.1, 2.2, 3.3, 4.4]
Float Array: array('d', [1.1, 2.2, 3.3, 4.4])
Type of float array: <class 'array.array'>

将 array.array 转换为 list

转换非常简单,直接使用 list() 构造函数即可。

示例代码：

import array
# 假设我们有一个 array
my_array = array.array('i', [10, 20, 30, 40, 50])
# 将 array 转换为 list
my_list_back = list(my_array)
print(f"Original Array: {my_array}")
print(f"Converted List: {my_list_back}")
print(f"Type of converted list: {type(my_list_back)}")

输出：

Original Array: array('i', [10, 20, 30, 40, 50])
Converted List: [10, 20, 30, 40, 50]
Type of converted list: <class 'list'>

list 与 numpy.ndarray 之间的转换

这是在数据科学领域最常见的转换,NumPy 是一个第三方库，你需要先安装它。

安装 NumPy:

pip install numpy

将 list 转换为 numpy.ndarray

使用 numpy.array() 函数。

示例代码：

import numpy as np
# 1. 将一维列表转换为 NumPy 数组
my_list = [1, 2, 3, 4, 5]
np_array_1d = np.array(my_list)
print(f"List: {my_list}")
print(f"NumPy Array: {np_array_1d}")
print(f"Type of NumPy array: {type(np_array_1d)}")
print(f"Data type of NumPy array: {np_array_1d.dtype}") # 查看数据类型
print("-" * 20)
# 2. 将嵌套列表（二维）转换为 NumPy 数组
matrix_list = [[1, 2, 3], [4, 5, 6]]
np_array_2d = np.array(matrix_list)
print(f"Matrix List: {matrix_list}")
print(f"NumPy 2D Array:\n{np_array_2d}")
print(f"Shape of NumPy array: {np_array_2d.shape}") # 查看形状

输出：

List: [1, 2, 3, 4, 5]
NumPy Array: [1 2 3 4 5]
Type of NumPy array: <class 'numpy.ndarray'>
Data type of NumPy array: int64
--------------------
Matrix List: [[1, 2, 3], [4, 5, 6]]
NumPy 2D Array:
[[1 2 3]
 [4 5 6]]
Shape of NumPy array: (2, 3)

将 numpy.ndarray 转换为 list

同样,使用 list() 函数，对于多维数组，它会转换为一个嵌套的 list。

示例代码：

import numpy as np
# 假设我们有一个 NumPy 数组
np_array = np.array([[1, 2], [3, 4]])
# 将 NumPy 数组转换为 list
list_back = list(np_array)
print(f"Original NumPy Array:\n{np_array}")
print(f"Converted List: {list_back}")
print(f"Type of converted list: {type(list_back)}")
# 注意：对于多维数组，list() 会创建一个数组的列表
# 要完全转换为嵌套的 Python list，可以这样做
nested_list = np_array.tolist()
print(f"Fully nested list: {nested_list}")
print(f"Type of fully nested list: {type(nested_list)}")

输出：

Original NumPy Array:
[[1 2]
 [3 4]]
Converted List: [array([1, 2]), array([3, 4])]
Type of converted list: <class 'list'>
Fully nested list: [[1, 2], [3, 4]]
Type of fully nested list: <class 'list'>

重要提示：直接对多维 NumPy 数组使用 list() 会得到一个包含 NumPy 数组的列表，通常我们想要的是完全嵌套的 Python list，这时应该使用 .tolist() 方法，如上例所示。

array.array 与 numpy.ndarray 之间的转换

这两种都是数组结构,转换也很直接。

将 array.array 转换为 numpy.ndarray

直接将 array.array 对象传递给 np.array()。

示例代码：

import array
import numpy as np
# 创建一个 array.array
my_array = array.array('d', [1.1, 2.2, 3.3])
# 将 array.array 转换为 numpy.ndarray
np_array_from_array = np.array(my_array)
print(f"Original array.array: {my_array}")
print(f"Converted NumPy Array: {np_array_from_array}")
print(f"Type: {type(np_array_from_array)}")

输出：

Original array.array: array('d', [1.1, 2.2, 3.3])
Converted NumPy Array: [1.1 2.2 3.3]
Type: <class 'numpy.ndarray'>

将 numpy.ndarray 转换为 array.array

可以使用 array.array() 构造函数，并指定类型码，一个方便的方法是使用 ndarray.dtype.char 来获取 NumPy 数据类型对应的 array 类型码。

示例代码：

import array
import numpy as np
# 创建一个 NumPy 数组
np_array = np.array([10, 20, 30, 40], dtype=np.int32)
# 将 numpy.ndarray 转换为 array.array
# 'i' 通常对应于 int32
my_array_back = array.array(np_array.dtype.char, np_array)
print(f"Original NumPy Array: {np_array}")
print(f"Converted array.array: {my_array_back}")
print(f"Type: {type(my_array_back)}")

输出：

Original NumPy Array: [10 20 30 40]
Converted array.array: array('i', [10, 20, 30, 40])
Type: <class 'array.array'>

总结与对比

如何选择？

• 如果只是存储少量数据，数据类型不一，或者只是进行一些简单的列表操作：直接用 list，这是最 Pythonic 的方式。
• 如果你需要处理一个大的、单一类型的数值序列，并且关心内存使用，但又不想引入 NumPy 这个重型库：使用 array.array。
• 如果你在进行任何形式的科学计算、数据分析、机器学习，或者对性能有极高要求，需要处理大规模多维数据：毫不犹豫地选择 NumPy 的 ndarray，它是 Python 数值计算领域的基石。