NumPy数组为何在Python数据分析中不可或缺？

本文共计851个文字，预计阅读时间需要4分钟。

NumPy并非另一个Python库，它是Python科学计算的基石——没有它，pandas、scikit-learn、matplotlib等几乎都无法运行。

NumPy数组和Python原生list到底差在哪

很多人用list做数值计算，直到发现循环加10万次比NumPy慢50倍才意识到问题。核心区别不在“能不能算”，而在“怎么存、怎么算”：

• list是对象指针数组，每个元素都是PyObject指针，存整数也要带类型/引用计数开销
• ndarray是连续内存块，元素类型固定（如float64），CPU可直接向量化加载
• list的+是拼接，ndarray的+是逐元素加法——语义不同，不能混用

示例：[1,2,3] + [4,5,6] → [1, 2, 3, 4, 5, 6]；而np.array([1,2,3]) + np.array([4,5,6]) → array([5, 7, 9])

创建数组时dtype没指定，后面就容易踩坑

默认dtype取决于输入数据：整数列表生成int64，浮点列表生成float64，但混合类型会退化成object——这会让所有向量化操作失效，性能暴跌。