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».
SkillboxПрофессия «Python-разработчик»157 335 ₽10 месяцев
НетологияFullstack-разработчик на Python137 000 ₽21 месяц
GeekBrainsДО Профессия Python-разработчик149 001 ₽10 месяцев
SkillFactoryПрофессия Python-разработчик140 040 ₽10 месяцев
Академия СинергияPython-разработчик + ИИ77 900 ₽6 месяцев
ЭдюсонPython-разработчик89 919 ₽9 месяцев
Три вида массивов в Python

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 местеПрисоединитьсяОсновные операции с массивом

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()иdelпо индексу. Разбор ошибок и ловушки с циклом в инструкции как удалить элемент из списка. - Найти: оператор
inотвечает, 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.
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

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:
arrayэкономит 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: проверкаa[1000] is a[1000]дляarrayдаётFalse, для спискаTrue.- NumPy быстрее за счёт операций над всем массивом.
a * 2выполнилось примерно в 60 раз быстрее генератора списка. Но тот же массив, перебранный обычным цикломfor, 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).
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.
| Курс | Школа | Стоимость со скидкой | В рассрочку | Длительность | Обзор курса от Checkroi |
|---|---|---|---|---|---|
| Профессия «Python-разработчик» Перейти на сайт курса | 157 335 ₽ | 5987 ₽/мес. | 10 месяцев | Обзор курса | |
| Fullstack-разработчик на Python Перейти на сайт курса | 137 000 ₽ | 7125 ₽/мес. | 21 месяц | Обзор курса | |
| ДО Профессия Python-разработчик Перейти на сайт курса | 149 001 ₽ | 3167 ₽/мес. | 10 месяцев | Обзор курса | |
| Автоматизированное тестирование на Python Перейти на сайт курса | 118 754 ₽ | 4108 ₽/мес. | 9 месяцев | Обзор курса | |
| Профессия Python-разработчик Перейти на сайт курса | 140 040 ₽ | 3890 ₽/мес. | 10 месяцев | Обзор курса |
Больше программ — в полном каталоге курсов по Python




