为何向Python列表追加元素比修改NumPy数组元素更快？

你的测试代码如下：

import numpy as np
import time

N = 10**8

l = []
L = np.zeros(N)

t1 = time.time()
for i in range(N):
    l.append(1)
t2 = time.time()

print("Adding into list took:", t2 - t1, "s")

t1 = time.time()
for i in range(N):
    L[i] = 1
t2 = time.time()

print("Adding into array took:", t2 - t1, "s")

测试结果：

Adding into list took: 12.784213542938232 s
Adding into array took: 19.65919280052185 s

出现这种反直觉结果的核心原因如下：

1. 列表append的底层预分配优化 #

Python列表的扩容并非每次追加都重新分配内存，而是采用**平摊O(1)**的预分配策略：每次内存不足时，会额外分配当前容量1.5倍左右的空间（不同实现略有差异）。这意味着绝大多数append操作只是简单的内存写入，开销极低，而且append是Python原生的C级实现，没有额外的类型转换或复杂检查。

2. NumPy数组循环赋值的额外开销 #

虽然NumPy数组是连续预分配的内存，但Python层面的循环中，每次L[i] = 1都会产生额外开销：

• 需要将Python的整数对象1转换为NumPy数组默认的float64类型（np.zeros默认 dtype 是float），这个类型转换会消耗时间
• NumPy的索引操作自带边界检查、类型校验等逻辑（为了支持多维数组、切片等复杂功能），即使是单元素索引，这些检查也会带来额外开销
• Python与NumPy底层C代码之间的桥接调用，每次循环都会产生固定的开销

3. NumPy的正确用法：向量化操作 #

NumPy的优势从来不是Python层面的循环，而是向量化批量操作。如果把循环赋值改成向量化赋值，速度会碾压列表append：

# 替换循环赋值为向量化操作
t1 = time.time()
L[:] = 1
t2 = time.time()
print("Adding into array via vectorization took:", t2 - t1, "s")

运行这个代码，你会发现耗时通常在0.1秒以内，远快于列表的12秒左右。

4. 数据类型的影响 #

如果将NumPy数组指定为整数类型（np.zeros(N, dtype=int)），循环赋值的速度会有所提升，但依然不如列表append——因为Python循环对NumPy的操作始终存在桥接开销，而列表append是原生优化的操作。

总结：Python列表的append在循环中表现优异，是因为其底层预分配机制和原生C实现的低开销；而NumPy在Python循环中表现拉胯，是因为每次索引赋值都有额外的类型转换和桥接成本，NumPy的正确打开方式是避免Python循环，使用向量化批量操作。

内容的提问来源于stack exchange，提问作者Syrocco