Работа с типизированными массивами целых чисел в Python

Расширенные примеры работы с массивами целых чисел

Многомерные массивы с NumPy

NumPy позволяет легко создавать двумерные массивы целых чисел и выполнять матричные операции:

import numpy as np

# Создание матрицы 3x3 из целых чисел
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=np.int16)
print(matrix)
# [[1 2 3]
#  [4 5 6]
#  [7 8 9]]

# Транспонирование
print(matrix.T)

# Поэлементное умножение на 2
print(matrix * 2)

[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[1 4 7]
 [2 5 8]
 [3 6 9]]
[[ 2  4  6]
 [ 8 10 12]
 [14 16 18]]

Конвертация между array и list

Метод tolist() преобразует array в обычный список. Обратное преобразование выполняется через конструктор array.array.

import array

arr = array.array('i', [100, 200, 300])
lst = arr.tolist()
print(lst)  # [100, 200, 300]

# Обратно
del arr
arr = array.array('i', lst)
print(arr)  # array('i', [100, 200, 300])

Сортировка массива array

Модуль array не имеет встроенного метода сортировки, но можно использовать встроенную функцию sorted(), которая возвращает список, или преобразовать в список, отсортировать и создать новый массив.

import array

arr = array.array('i', [3, 1, 2])
sorted_lst = sorted(arr)
arr_sorted = array.array('i', sorted_lst)
print(arr_sorted)  # array('i', [1, 2, 3])

# Реверс
arr.reverse()
print(arr)  # array('i', [2, 1, 3])

Работа с бинарными файлами

Массивы array можно сохранять и загружать в бинарном формате с сохранением типа.

import array

# Запись в файл
arr = array.array('i', [10, 20, 30, 40])
with open('ints.bin', 'wb') as f:
    arr.tofile(f)

# Чтение из файла
arr_loaded = array.array('i')
with open('ints.bin', 'rb') as f:
    arr_loaded.fromfile(f, 4)
print(arr_loaded)  # array('i', [10, 20, 30, 40])

Сравнение производительности: list vs array vs numpy

Для больших массивов (миллионы элементов) разница в скорости и памяти существенна. Приведём приблизительные замеры:

import array, sys, time

# Размер теста
n = 10_000_000

# Список
lst_start = time.time()
lst = [i for i in range(n)]
lst_time = time.time() - lst_start
print(f'List creation: {lst_time:.3f}s, size: {sys.getsizeof(lst)} bytes')

# array
arr_start = time.time()
arr = array.array('i', range(n))
arr_time = time.time() - arr_start
print(f'Array creation: {arr_time:.3f}s, size: {sys.getsizeof(arr)} bytes')

# NumPy (требуется установка)
# import numpy as np
# np_start = time.time()
# np_arr = np.arange(n, dtype=np.int32)
# np_time = time.time() - np_start
# print(f'NumPy creation: {np_time:.3f}s, size: {sys.getsizeof(np_arr)} bytes')

*Результаты будут различаться в зависимости от системы, но обычно array создаётся быстрее списка и занимает в 4-5 раз меньше памяти, NumPy ещё быстрее и компактнее.*

Генерация случайных целых чисел для массива

Для array можно использовать генератор случайных чисел:

import array, random

random.seed(42)
arr = array.array('i', [random.randint(-100, 100) for _ in range(10)])
print(arr)  # array('i', [74, 34, -53, -44, 33, -63, 48, 28, -2, -25])

Использование memoryview для работы с array

Объект memoryview позволяет работать с внутренним буфером без копирования:

import array

arr = array.array('i', [1, 2, 3, 4])
mv = memoryview(arr)
print(mv[0])  # 1
mv[1] = 99
print(arr)    # array('i', [1, 99, 3, 4])

# Преобразование в bytes
b = mv.tobytes()
print(b)  # b'\x01\x00\x00\x00c\x00\x00\x00\x03\x00\x00\x00\x04\x00\x00\x00'