要添加到Lennart的答案，可以像这样创建一个数组：
from array import array
float_array = array("f",values)其中值可以采用元组，列表或np.array的形式，但不是数组：
values = [1,2,3]
values = (1,2,3)
values = np.array([1,2,3],'f')
# 'i' will work here too, but if array is 'i' then values have to be int
wrong_values = array('f',[1,2,3])
# TypeError: 'array.array' object is not callable输出仍然是相同的：
print(float_array)
print(float_array[1])
print(isinstance(float_array[1],float))
# array('f', [1.0, 2.0, 3.0])
# 2.0
# True列表的大多数方法也使用数组，常见的是pop（），extend（）和append（） .
从答案和评论来看，似乎阵列数据结构并不那么受欢迎 . 我喜欢它，就像人们可能更喜欢列表中的元组一样 .
数组结构比list或np.array具有更严格的规则，这可以减少错误并使调试更容易，尤其是在处理数值数据时 .
尝试将float插入/附加到int数组将引发TypeError：
values = [1,2,3]
int_array = array("i",values)
int_array.append(float(1))
# or int_array.extend([float(1)])
# TypeError: integer argument expected, got float因此，保持数组形式的整数值（例如索引列表）可能会阻止“TypeError：list indices必须是整数，而不是float”，因为数组可以迭代，类似于np.array和lists：
int_array = array('i',[1,2,3])
data = [11,22,33,44,55]
sample = []
for i in int_array:
sample.append(data[i])令人讨厌的是，将一个int附加到float数组将导致int变为float，而不会引发异常 .
np.array也为其条目保留相同的数据类型，但它不会发出错误，而是更改其数据类型以适应新条目（通常为double或str）：
import numpy as np
numpy_int_array = np.array([1,2,3],'i')
for i in numpy_int_array:
print(type(i))
#
numpy_int_array_2 = np.append(numpy_int_array,int(1))
# still
numpy_float_array = np.append(numpy_int_array,float(1))
# for all values
numpy_str_array = np.append(numpy_int_array,"1")
# for all values
data = [11,22,33,44,55]
sample = []
for i in numpy_int_array_2:
sample.append(data[i])
# no problem here, but TypeError for the other two在任务期间也是如此 . 如果指定了数据类型，则np.array将尽可能将条目转换为该数据类型：
int_numpy_array = np.array([1,2,float(3)],'i')
# 3 becomes an int
int_numpy_array_2 = np.array([1,2,3.9],'i')
# 3.9 gets truncated to 3 (same as int(3.9))
invalid_array = np.array([1,2,"string"],'i')
# ValueError: invalid literal for int() with base 10: 'string'
# Same error as int('string')
str_numpy_array = np.array([1,2,3],'str')
print(str_numpy_array)
print([type(i) for i in str_numpy_array])
# ['1' '2' '3']
#
或者，在本质：
data = [1.2,3.4,5.6]
list_1 = np.array(data,'i').tolist()
list_2 = [int(i) for i in data]
print(list_1 == list_2)
# True而数组将简单地给出：
invalid_array = array([1,2,3.9],'i')
# TypeError: integer argument expected, got float因此，将np.array用于特定于类型的命令并不是一个好主意 . 数组结构在这里很有用 . list保留值的数据类型 .
对于我发现相当讨厌的东西：数据类型被指定为array（）中的第一个参数，但（通常）是np.array（）中的第二个参数 . ：|
玩得开心！
注意：数组的类型和相当严格的性质更倾向于C而不是Python，并且根据设计，Python在其函数中没有许多特定于类型的约束 . 它的不受欢迎也会在协同工作中产生积极的反馈，而替换它主要涉及额外的[int（x）for x in file] . 因此，忽略阵列的存在是完全可行和合理的 . 它不应该以任何方式阻碍我们大多数人 . ：d
