Массив в Python: список, модуль array и NumPy на примерах

Массив в Python обычно делают списком, а для чисел одного типа берут модуль array или библиотеку NumPy.

Показываем на примерах с выводом, как создать массив, добавить, найти и отсортировать элементы, как устроен двумерный массив, и сравниваем память и скорость трёх вариантов на миллионе чисел.

Статью написал:
Ваня Буявец, продюсер, основатель Checkroi
Ваня Буявец
Основатель Checkroi, продюсер, эксперт в выборе онлайн-курсов
Все 3330 статей автора Подписаться на Телеграм-канал
Одобрено экспертом:
Наташа Буявец, основатель Checkroi, эксперт по онлайн-курсам
Наташа Буявец
Основательница Checkroi, продюсер Youtube-каналов, эксперт по онлайн-курсам
Все 3984 экспертных мнения Подписаться на Телеграм-канал
Обложка: Массив в Python: список, модуль array и NumPy на примерах

Массив в Python чаще всего делают обычным списком: nums = [10, 20, 30]. Отдельного типа «массив» в синтаксисе языка нет, поэтому в школьных учебниках информатики массивом обычно называют именно list. Когда нужны только числа одного типа и важна память, берут модуль array из стандартной библиотеки. Для вычислений над большими данными ставят библиотеку NumPy и работают с её массивом ndarray.

Ниже разберём все три варианта: как создать массив, как добавлять, искать и сортировать элементы, как устроен двумерный массив и что выбрать под свою задачу. Весь код запущен в Python 3.14 и NumPy 2.4, вывод в комментариях настоящий. Что такое массив вообще, без привязки к языку, мы объясняли в статье «Массив в программировании».

Три вида массивов в Python

Рой-программист раскладывает данные по трём разным контейнерам у ноутбука

Все три хранят элементы по порядку и дают доступ по индексу с нуля. Различаются они тем, что можно положить внутрь и насколько быстро с этим потом считать.

Список list Модуль array NumPy ndarray
Нужна установка нет нет, стандартная библиотека да, pip install numpy
Типы элементов любые вперемешку один числовой тип или символы один тип на весь массив
Размер после создания меняется меняется фиксирован, np.append создаёт новый массив
Математика над всем массивом только циклом только циклом одной операцией: a * 2
Когда брать почти всегда длинные ряды чисел, когда мало памяти расчёты, анализ данных, матрицы

Если сомневаетесь, начинайте со списка. Он встроен в язык, им пользуются все учебники, и про его методы у нас есть отдельная шпаргалка по спискам в Python. К двум другим вариантам переходят, когда список становится узким местом.

Как создать массив

Код из статьи удобно запускать в редакторе. Если Python ещё не стоит, вот инструкция, как скачать и установить Python.

Список

Элементы перечисляют в квадратных скобках через запятую. Пустой массив создают парой скобок, длину узнают функцией len():

prices = [990, 1490, 2990]
mixed = [1, "два", 3.0, [4]]
empty = []
print(prices[0], len(prices))  # 990 3
print(mixed)                   # [1, 'два', 3.0, [4]]
print(empty, len(empty))       # [] 0

Список не проверяет типы: число, строка и другой список спокойно лежат рядом. Это удобно, но для расчётов чаще мешает.

Модуль array

Здесь первым аргументом передают код типа: "i" для целых чисел, "d" для дробных. В документации модуля array сказано, что такой массив ведёт себя почти как список, только тип хранимых объектов ограничен:

from array import array

nums = array("i", [10, 20, 30])
temps = array("d", [21.5, 19.0, 23.8])
print(nums)      # array('i', [10, 20, 30])
print(temps[1])  # 19.0
nums.append(40)
print(nums.itemsize, len(nums))  # 4 4

nums.append(4.5)
# TypeError: 'float' object cannot be interpreted as an integer

Каждое число занимает фиксированное место: itemsize показывает 4 байта на элемент. Отсюда экономия памяти, которую мы измерим ниже. Дробь в целочисленный массив не пролезет, Python остановит программу с ошибкой.

Массив NumPy

Библиотеку ставят командой pip install numpy, лучше внутри виртуального окружения. Главное отличие видно сразу: умножение применяется к каждому элементу.

import numpy as np

a = np.array([1, 2, 3, 4])
print(a * 10)               # [10 20 30 40]
print(np.zeros(3))          # [0. 0. 0.]
print(np.arange(0, 10, 2))  # [0 2 4 6 8]
print(a.dtype, a.shape)     # int64 (4,)

Сравните со списком: [1, 2] * 3 даст [1, 2, 1, 2, 1, 2], то есть повторит список трижды, а сами числа не изменятся.

В руководстве NumPy для начинающих перечислены ограничения: все элементы одного типа, размер после создания не меняется, строки двумерного массива одной длины. Если смешать числа и строку, NumPy молча превратит всё в строки:

b = np.array([1, "2", 3.5])
print(b, b.dtype)  # ['1' '2' '3.5'] <U32
Канал основателя Checkroi Вани Буявца3 800 человек читают мой Телеграм-канал про нейросетиСобрал промпты для Claude Code и ChatGPT, разборы ИИ-инструментов и лайфхаки по продвижению бизнеса в одном местеПрисоединиться

Основные операции с массивом

Ряд пронумерованных деревянных кубиков в лотке рядом с ноутбуком

Возьмём список городов и пройдём по типичным действиям. Синтаксис одинаковый для list и array, у NumPy часть операций устроена иначе, о ней ниже.

cities = ["Москва", "Казань", "Пермь", "Омск"]
print(cities[0], cities[-1])  # Москва Омск
print(cities[1:3])            # ['Казань', 'Пермь']

cities.append("Тула")
cities.insert(1, "Сочи")
print(cities)
# ['Москва', 'Сочи', 'Казань', 'Пермь', 'Омск', 'Тула']

print("Пермь" in cities, cities.index("Пермь"))  # True 3

cities.remove("Сочи")
last = cities.pop()
print(last, cities)  # Тула ['Москва', 'Казань', 'Пермь', 'Омск']

for i, city in enumerate(cities, start=1):
    print(i, city)
# 1 Москва
# 2 Казань
# 3 Пермь
# 4 Омск

Каждой операции у нас посвящена отдельная короткая инструкция:

  • Обратиться к элементу: a[0] берёт первый, a[-1] последний. Часть массива вырезают через срезы: a[1:3].
  • Добавить: append() кладёт в конец, insert() на позицию, extend() дописывает другой список. Подробности в статье как добавить элемент в список.
  • Удалить: remove() по значению, pop() и del по индексу. Разбор ошибок и ловушки с циклом в инструкции как удалить элемент из списка.
  • Найти: оператор in отвечает, есть ли элемент, метод index() возвращает его позицию, count() считает повторы.
  • Перебрать: цикл for, а если нужен номер, функция enumerate().

Сортировка, сумма, минимум и максимум

Для числовых массивов почти всегда нужны итоги. Встроенные функции работают и со списком, и с array:

scores = [72, 95, 58, 81]
print(sum(scores), min(scores), max(scores))  # 306 58 95
print(sorted(scores))                # [58, 72, 81, 95]
print(sorted(scores, reverse=True))  # [95, 81, 72, 58]
scores.sort()
print(scores)                        # [58, 72, 81, 95]
print(round(sum(scores) / len(scores), 2))    # 76.5

sorted() возвращает новый массив и не трогает исходный, sort() переставляет элементы на месте. Чем ещё они различаются, мы разобрали в статье про метод sort() в Python, а приёмы подсчёта суммы собраны в инструкции как суммировать список.

CheckroiCheckroiПодборка курсов по Python574 курса • 53 школыСравните цены, школы, программу и найдите выгодные предложения по обучениюСравнить→

Двумерный массив

Таблицу, матрицу или игровое поле хранят как список списков: каждая строка тоже список. Обращение идёт двумя индексами, сначала строка, потом столбец: matrix[1][2].

Создавать такой массив надёжнее генератором, чтобы каждая строка была отдельным объектом:

rows, cols = 3, 4
matrix = [[0] * cols for _ in range(rows)]
matrix[1][2] = 5
for row in matrix:
    print(*row)
# 0 0 0 0
# 0 0 5 0
# 0 0 0 0

Короткая запись через умножение выглядит так же, но ломается при первой правке:

bad = [[0] * 3] * 3
bad[0][0] = 1
print(bad)  # [[1, 0, 0], [1, 0, 0], [1, 0, 0]]

Единица появилась во всех трёх строках. FAQ по программированию на Python объясняет: умножение списка повторяет ссылку на один и тот же внутренний список, копий оно не делает. В итоге все три строки указывают на один объект, и правка видна везде.

Сортировка двумерного массива и выбор столбца

Отсортировать строки по нужному столбцу помогает аргумент key. Столбец достают генератором:

students = [["Аня", 87], ["Борис", 92], ["Вера", 75]]
by_score = sorted(students, key=lambda s: s[1], reverse=True)
print(by_score)  # [['Борис', 92], ['Аня', 87], ['Вера', 75]]
column = [s[1] for s in students]
print(column)    # [87, 92, 75]

В NumPy то же самое делается короче. Столбец берут срезом m[:, 1], транспонируют атрибутом .T, суммы по столбцам считают одной строкой:

import numpy as np
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape)       # (2, 3)
print(m[:, 1])       # [2 5]
print(m.T)
# [[1 4]
#  [2 5]
#  [3 6]]
print(m.sum(axis=0)) # [5 7 9]

Трёхмерный массив устроен так же, только индексов три. Для таблиц с подписями столбцов вместо голого NumPy обычно берут библиотеку pandas, она построена поверх массивов NumPy.

Что выбрать: замер памяти и скорости

Рой радуется быстрому результату замера на экране

Мы сравнили три варианта на миллионе целых чисел: сколько занимают в памяти и сколько времени уходит на умножение каждого элемента на 2 и на сумму. Замер на Mac с процессором M4 Pro, Python 3.14.7, NumPy 2.4.4, модуль timeit, лучший результат из трёх повторов, два прогона.

Миллион чисел Память Умножить каждый на 2 Сумма
Список list около 34 МБ 16 мс 2,3 мс
array("i") 3,9 МБ 19–20 мс 4,5 мс
NumPy int64, операцией a * 2 7,6 МБ 0,25 мс 0,07 мс
NumPy int64, циклом for 7,6 МБ 39 мс

Память списка посчитана вместе с объектами чисел: сам список хранит только ссылки и весит 7,6 МБ, а каждое число лежит в памяти отдельным объектом.

Выводы из таблицы:

  • array экономит память, но не ускоряет циклы. Миллион чисел занял почти в девять раз меньше места, чем список, а умножение в цикле вышло даже медленнее. Числа там лежат без обёртки, и при каждом обращении Python создаёт из числа новый объект: проверка a[1000] is a[1000] для array даёт False, для списка True.
  • NumPy быстрее за счёт операций над всем массивом. a * 2 выполнилось примерно в 60 раз быстрее генератора списка. Но тот же массив, перебранный обычным циклом for, считался 39 мс, дольше списка. Выигрыш даёт только операция над всем массивом.
  • Для учебных задач и коротких списков разницы нет. На сотне элементов всё считается мгновенно, и лишняя зависимость не нужна.

Частые ошибки

В таблице пять ошибок с массивами: что видно на экране, почему так вышло и как исправить. Код для третьей и пятой строки таблицы приведён под ней.

Симптом Причина Решение
IndexError: list index out of range Индекс равен длине массива или больше: у четырёх элементов последний индекс 3 Проверять i < len(a) или брать a[-1]
Правка одной строки меняет все Матрица создана через [[0] * n] * m Генератор [[0] * n for _ in range(m)]
Изменили копию, поменялся оригинал b = a даёт второе имя тому же списку, копия не создаётся b = a.copy() или срез a[:]
TypeError при append в array Тип значения не совпал с кодом типа Создать массив с кодом "d" или привести число через int()
После np.append массив прежний Функция возвращает новый массив, исходный не меняется Присвоить результат: x = np.append(x, 4)
a = [1, 2, 3]
b = a
b.append(4)
print(a)     # [1, 2, 3, 4]
c = a.copy()
c.append(5)
print(a, c)  # [1, 2, 3, 4] [1, 2, 3, 4, 5]

import numpy as np
x = np.array([1, 2, 3])
np.append(x, 4)
print(x)     # [1 2 3]
x = np.append(x, 4)
print(x)     # [1 2 3 4]

Про последнюю строку прямо сказано в документации numpy.append: добавление не происходит на месте, создаётся и заполняется новый массив. Поэтому в цикле на тысячи шагов np.append работает медленно. Числа удобнее собрать в список и один раз превратить его в массив через np.array(список).

Ваня БуявецКанал основателя Checkroi Вани БуявцаЗабирайте промпты и обучение по нейросетям в моём Телеграм-каналеБольше 3 800 человек уже применяют Claude Code, ChatGPT и другие нейросети в работе, учёбе, бизнесе и жизниПерейти в канал

Где освоить Python системно

Без массивов не решить почти ничего из того, что дают на старте: от учебных задач по Python для начинающих до анализа данных. Следующие темы после массивов обычно циклы и словари.

Если хочется пройти язык целиком, с практикой и проверкой домашних заданий, сравните программы в каталоге курсов по Python по цене, длительности и отзывам. Тем, кто думает о смене профессии, пригодится разбор, как стать Python-разработчиком.

КурсШколаСтоимость со скидкойВ рассрочкуДлитель­ностьОбзор курса от Checkroi
Профессия «Python-разработчик»
Перейти на сайт курса
SkillboxSkillbox157 335 ₽5987 ₽/мес.10 месяцевОбзор курса
Fullstack-разработчик на Python
Перейти на сайт курса
НетологияНетология137 000 ₽7125 ₽/мес.21 месяцОбзор курса
ДО Профессия Python-разработчик
Перейти на сайт курса
GeekBrainsGeekBrains149 001 ₽3167 ₽/мес.10 месяцевОбзор курса
Автоматизированное тестирование на Python
Перейти на сайт курса
SkillboxSkillbox118 754 ₽4108 ₽/мес.9 месяцевОбзор курса
Профессия Python-разработчик
Перейти на сайт курса
SkillFactorySkillFactory140 040 ₽3890 ₽/мес.10 месяцевОбзор курса

Больше программ — в полном каталоге курсов по Python

Часто задаваемые вопросы

Есть ли в Python массивы?

Отдельного типа «массив» в синтаксисе нет, его роль обычно играет список list. Для чисел одного типа в стандартной библиотеке есть модуль array, а для вычислений ставят библиотеку NumPy с массивом ndarray.

Чем массив отличается от списка в Python?

Список хранит элементы любых типов вперемешку. Массив array и массив NumPy принимают один тип на все элементы и занимают меньше памяти: в нашем замере миллион целых чисел в array весил 3,9 МБ, а список около 34 МБ вместе с объектами чисел.

Как создать пустой массив в Python?

Пустой список создаётся парой скобок: a = []. Пустой массив модуля array: array("i"). В NumPy размер после создания не меняется, поэтому массив сразу создают нужной длины, например np.zeros(5).

Как добавить элемент в массив?

У списка и у array метод append() добавляет элемент в конец, insert(i, x) ставит его на позицию i. В NumPy функция np.append() возвращает новый массив, поэтому результат нужно присвоить: x = np.append(x, 4).

Как создать двумерный массив в Python?

Надёжнее всего генератором: [[0] * cols for _ in range(rows)]. Запись [[0] * 3] * 3 создаёт три ссылки на одну и ту же строку, и правка одной строки меняет все. В NumPy двумерный массив нулей создаёт np.zeros((3, 4)).

Читайте Checkroi первым в Google
Добавьте Checkroi в избранные источники — и наши разборы курсов и обзоры школ будут показываться выше в вашей выдаче Google.
Оставить комментарий
0 комментариев
Форма комментария

Оставьте комментарий

Напишите, что думаете. Нам важно ваше мнение!