本文原创发布于微信公众号「极客猴」，欢迎关注第一时间获取更多原创分享

List (列表)是 Python 中最基本的数据结构。在用法上，它有点类似数组，因为每个列表都有一个下标，下标从 0 开始。因此，我们可以使用 list[1] 来获取下标对应的值。如果我们深入下列表的底层原理，会发现列表是基于 PyListObject 实现的。PyListObject 是一个变长对象，所以列表的长度是随着元素多少动态改变的。同时它还支持插入和删除等操作，所以它还是一个可变对象。

可以简单理解为，Python 的列表是长度可变的数组。一般而已，我们用于列表创建都是一维数组。那么问题来，我们如果创建多维数组呢？

01 列表能创建多维数组？

列表是支持操作符，如果一个列表与 ‘ * ’ 号结合使用，能达到重复列表的效果。比如

那么利用这个重复特性，我们是否可以来创建一个二维数组呢？于是乎，我进行一顿猛操作，结果就被我折腾出来了。

看起来很完美的操作，但是如果进行一些列表更新操作，问题就显露出来了。比如我对 list_two 的更换中间位置的值，即对 list_two[1][1] 进行更换值。

不难发现，运行结果有点不对劲，列表中有三个位置的值也改变了。

为什么会出现在这种情况呢？原因是浅拷贝，我们以这种方式创建的列表，list_two 里面的三个列表的内存是指向同一块，不管我们修改哪个列表，其他两个列表也会跟着改变。

如果要使用列表创建一个二维数组，可以使用生成器来辅助实现。

我们对 list_three 进行更新操作，这次就能正常更新了。

除了以上的方式，还有一种更加简洁方便的方式，就是使用 NumPy 模块。

02 相比 List，NumPy 数组的优势

NumPy 全称为 Numerical Python，是 Python 的一个以矩阵为主的用于科学计算的基础软件包。NumPy 和 Pandas、Matpotlib 经常结合一起使用，所以被人们合称为数据分析三剑客。Numpy 中有功能强大的 ndarray 对象，能创建 N 维的数组，另外还提供很多通用函数，支持对数组的元素进行操作、支持对数组进行算法运算以及提供常用的统计函数。

相比 List 对象，NumPy 数组有以下优势：这是因为列表 list 的元素在系统内存中是分散存储的，而 NumPy 数组存储在一个均匀连续的内存块中。这样数组计算遍历所有元素，不像列表 list 还需要对内存地址进行查找，从而节省了计算资源。

Numpy数组能够运用向量化运算来处理整个数组，速度较快；而 Python 的列表则通常需要借助循环语句遍历列表，运行效率相对来说要差。

NumPy 中的矩阵计算可以采用多线程的方式，充分利用多核 CPU 计算资源，大大提升了计算效率。

Numpy 使用了优化过的 C API，运算速度较快。

03 创建数组

前面说到 NumPy 的主要对面是 ndarray 对象，它其实是一系列同类型数据的集合。因为 ndarray 支持创建多维数组，所以就有两个行和列的概念。

创建 ndarray 的第一种方式是利用 array 方式。

其中 shape 是数组的一个属性，表示获取数组大小(有多少行，有多少列)，如果是一维数组，则只显示(行，)。代码中打印出 nd_two 的形状，输出为(2，3)，表示数组中有 2 行 3 列。

第二种办法则使用 Numpy 的内置函数

1 使用arange 或 linspace 创建连续数组。

虽然 np.arange 和 np.linspace 起到的作用是一样的，都是创建等差数组，但是创建的方式是不同的。

2 使用 zeros()，ones()，full() 创建数组

3 使用 eye() 创建单位矩阵

eye() 创建的数组特点是行数和列数都是一样。因为它创建出来的是单位矩阵，单位矩阵是正形矩阵，对角线的值均为 1，其他位置的值为 0。

4 使用 diag() 创建对角矩阵

diag() 是创建一个 NxN 的对角矩阵，对角矩阵是对角线上的主对角线之外的元素皆为 0 的矩阵。

5 使用 random 创建随机数组

numpy 中的 random 中有很多内置函数，能简单介绍其中的几种。