Ханов Работа с массивами в Python

1.

Обнинский институт атомной энергетики –
филиал федерального государственного автономного образовательного учреждения
высшего образования «Национальный исследовательский ядерный университет
«МИФИ»
(ИАТЭ НИЯУ МИФИ)
Работа с массивами в Python
Выполнил: студент группы ТД-Б21з Ханов И.Х.
Проверил: Шешукова В.В.
Обнинск 2024

2.

Введение
Массивы играют ключевую роль в программировании, позволяя эффективно организовывать и
обрабатывать данные. Язык Python, обладая простым синтаксисом, стал популярным инструментом
для работы с массивами. В данной работе мы рассмотрим определение массивов, их основные
операции и управление памятью. Также будут раскрыты операции индексирования, итераций и
примеры практического применения массивов в реальных сценариях. Понимание различий между
массивами и другими структурами данных, такими как списки, обеспечит лучший выбор
инструментов для разработчиков.
2

3.

Определение массива в Python
В Python массивы — это упорядоченные коллекции элементов одного типа, используемые для
эффективной работы с большими данными и научными расчетами. Стандартная библиотека не
содержит типа "массив", но предоставляется модуль `array`, позволяющий создавать массивы
фиксированной длины и минимизирующий затраты памяти. Альтернативой служит библиотека
NumPy с многоразмерными массивами, поддерживающими многомерные данные и автоматическое
определение типов. Индексы массивов начинаются с 0, что требует аккуратного обращения, чтобы
избегать ошибок.
3

4.

Основные операции с массивами в Python
Работа с массивами в Python включает множество операций: создание, модификацию,
объединение, разделение, сортировку, фильтрацию и агрегацию. Создание массива можно
осуществлять с помощью библиотеки NumPy, используя функции numpy.array(), numpy.zeros() и
numpy.ones(). Для изменения элементов массива используются индексы и срезы. Объединение
массивов осуществляется с помощью numpy.concatenate. Сортировку выполняет функция
numpy.sort(), а фильтрация — через булеву индексацию. Агрегация включает функции для
вычисления суммы, среднего, максимума и минимума.
4

5.

Выделение памяти под массив в Python
В Python выделение памяти под массивы критично для оптимизации ресурсов и управления
объектами. Используя модуль 'array' или библиотеку NumPy, важно указывать тип данных, что
позволяет эффективно резервировать память. NumPy оптимизирует работу с однородными
массивами, выделяя память непрерывно, что упрощает доступ к элементам. При добавлении
элементов блок памяти превосходит текущее количество, что повышает производительность.
Освобождением памяти управляет Python, однако важно избегать утечек, следя за использованием
массивов.
5

6.

Запись данных в массив в Python
Запись данных в массивы в Python осуществляется через различные механизмы. Возможна как
запись в новый массив, так и модификация существующего. Популярным инструментом является
библиотека NumPy, позволяющая эффективно работать с многомерными массивами. Например, с
помощью метода `append()` можно добавлять элементы в стандартный массив, а NumPy позволяет
быстро изменять конкретные элементы и проводить векторизированные операции. Альтернативно,
для работы с данными могут использоваться структуры pandas, предлагающие высокую гибкость
через метки для строк и столбцов.
6

7.

Чтение данных из массива в Python
Чтение данных из массива – ключевой аспект работы с массивами в Python. Массивы могут быть
одномерными или многомерными, и доступ к элементам осуществляется по индексам. В
одномерных массивах можно использовать `my_array[0]`, а в многомерных – `my_array[i, j]`. При
переборе элементов удобно использовать циклы, например, `for element in my_array:`. Библиотека
NumPy предоставляет встроенные функции, позволяя работать с массивами более эффективно.
Операции среза дают возможность извлекать диапазоны элементов, а фильтрация с помощью
логических выражений – отбирать данные по заданным критериям.
7

8.

Операции индексирования с массивами в Python
Индексирование массивов в Python позволяет эффективно получать доступ к элементам и
подмножествам данных. Индексы начинаются с нуля, и обращение к элементу осуществляется
через его индекс, например, `array[2]` вернет третий элемент. Используя отрицательные индексы,
можно легко обращаться к элементам с конца массива. Индексация поддерживает срезы,
например, `array[1:4]` вернет массив из элементов от индекса 1 до 3. В многомерных массивх
используется кортеж для указания индексов, например, `array[1, 2]`. Библиотека NumPy также
предоставляет логическую индексацию для фильтрации данных.
8

9.

Особенности работы с массивами и списками в
Python
Работа с массивами и списками в Python требует понимания их структурных особенностей. Массивы
обеспечивают компактное хранение однородных типов и имеют высокую производительность, но
менее гибки, в то время как списки позволяют сохранять разные типы данных и динамически
изменяются. Важно различать доступные методы для каждой структуры: списки предлагают богатый
набор функций, тогда как массивы требуют предварительного определения типа данных.
Оптимальный выбор зависит от специфики задачи: массивы подходят для больших объемов
однотипных данных, тогда как списки более универсальны.
9

10.

Заключение
В заключение работы подводим итоги использования массивов в Python. Массивы как структура
данных существенно упрощают обработку информации, предлагая универсальные инструменты для
работы с данными любого типа. Автоматическое управление памятью делает разработку более
оперативной, но требует внимания к её оптимизации при большом объеме данных. Итерации и
операции с массивами являются основой для реализаций алгоритмов и успешного анализа данных.
Понимание этих аспектов критично для программиста в условиях растущего объема данных.
10