为何list(numpy.array)转换速度慢？a.tolist()更快原因探究

这个差异其实是两种实现逻辑的效率差导致的，我来拆解一下背后的原因：

首先，list()是Python的内置通用函数，它的工作方式是迭代传入的可迭代对象，逐个处理元素。当你把NumPy数组传给list()时，它会开启一个Python层面的循环，每次从数组里取出一个元素——而NumPy数组的元素是存储在C层面的原生类型（比如np.int64），每次取出都要把这个C类型转换成对应的Python对象（比如int），再添加到列表里。这种Python级别的循环加上反复的类型转换，在处理大数组时，累积的开销会非常大。

而tolist()是NumPy专门为数组转换列表设计的方法，它完全是在C层面完成整个转换流程：直接遍历数组的底层内存块，批量把所有C类型元素转换成Python对象，然后一次性构建出完整的列表。相当于把原本Python层面的循环搬到了效率高得多的C代码里执行，自然省去了大量循环和类型转换的额外开销。

你给出的测试案例也能直观体现这个差距：

import numpy as np
big_np = np.random.randint(1, 10**7, (10**7,))
%timeit list(big_np)
# 1 loop, best of 3: 869 ms per loop
%timeit big_np.tolist()
# 1 loop, best of 3: 306 ms per loop

能看到tolist()的速度大概是list()的3倍，核心就是“专用方法的底层批量处理” vs “通用函数的上层循环处理”。

如果对比内置array模块的话，你会发现类似的规律：array.array.tolist()的速度也远快于list(array.array)，本质都是同一个道理——专用方法利用底层优化跳过了Python层面的低效循环。

内容的提问来源于stack exchange，提问作者ead