{"id":2577,"date":"2025-09-18T00:37:09","date_gmt":"2025-09-17T22:37:09","guid":{"rendered":"https:\/\/davidka.net\/en\/?p=2577"},"modified":"2025-09-21T03:21:00","modified_gmt":"2025-09-21T01:21:00","slug":"array-array-in-python-when-and-why-to","status":"publish","type":"post","link":"https:\/\/de.davidka.net\/de\/2025\/09\/18\/array-array-in-python-when-and-why-to\/","title":{"rendered":"\ud83e\uddd1\u200d\ud83d\udcbb array.array in Python verwenden: Wann und warum"},"content":{"rendered":"\n

Das Modul array<\/code><\/strong> stellt einen spezialisierten Datentyp array.array<\/code> zur Speicherung von Sequenzen homogener Zahlen bereit. Im Gegensatz zur universellen list<\/code> bieten array.array<\/code>-Arrays eine effizientere Speichernutzung und eine h\u00f6here Leistung bei der Arbeit mit numerischen Daten.<\/p>\n\n\n\n

\n\n\n\n

\ud83d\udce6 Hauptvorteile von array.array<\/code><\/h2>\n\n\n\n

Der Hauptunterschied zwischen array.array<\/code> und list<\/code> ist die kompakte Datenspeicherung<\/strong>. Anstelle einer Liste von Zeigern auf Python-Objekte speichert array.array<\/code> Werte als zusammenh\u00e4ngenden Block von Bytes, was es ideal f\u00fcr die folgenden Aufgaben macht.<\/p>\n\n\n\n

\n\n\n\n

1. Speichereinsparungen bei der Arbeit mit gro\u00dfen Zahlens\u00e4tzen<\/h3>\n\n\n\n

Bei der Verarbeitung von Millionen numerischer Elemente werden Speichereinsparungen entscheidend. array.array<\/code> reduziert den Overhead erheblich.<\/p>\n\n\n\n

import array\nimport sys\n\ndef compare_memory_usage(num_elements: int = 1_000_000) -> None:\n    """\n    Vergleicht die Speichernutzung zwischen list und array.array.\n\n    Args:\n        num_elements (int, optional): Anzahl der Elemente f\u00fcr den Test. \n                                      Standardm\u00e4\u00dfig 1.000.000.\n    """\n    # Erstellen einer Liste mit ganzzahligen Python-Objekten\n    list_numbers = list(range(num_elements))\n\n    # Erstellen eines Arrays, in dem Zahlen als 4-Byte-C-Typ-Ints gespeichert werden\n    array_numbers = array.array('i', range(num_elements))\n\n    list_size = sys.getsizeof(list_numbers)\n    array_size = sys.getsizeof(array_numbers)\n\n    print(f"Anzahl der Elemente: {num_elements}")\n    print(f"Gr\u00f6\u00dfe der Liste:  {list_size \/ 1024 \/ 1024:.2f} MB")\n    print(f"Gr\u00f6\u00dfe des Arrays: {array_size \/ 1024 \/ 1024:.2f} MB")\n    if array_size > 0:\n        print(f"Speichereinsparung: {list_size \/ array_size:.2f}x")\n\n# Beispiel f\u00fcr die Verwendung\nif __name__ == "__main__":\n    compare_memory_usage()<\/code><\/pre>\n\n\n\n
Ausgabe:<\/strong>„`
Anzahl der Elemente: 1000000
Gr\u00f6\u00dfe der Liste: 7.63 MB
Gr\u00f6\u00dfe des Arrays: 3.82 MB
Speichereinsparung: 2.00x<\/p>\n\n\n\n
---\n\n### 2. Gesteigerte Leistung bei numerischen Operationen\n\nAufgrund der zusammenh\u00e4ngenden Speicherzuweisung werden mathematische Operationen mit `array.array`-Elementen schneller ausgef\u00fchrt, da der Prozessor den Cache effizienter nutzen kann.<\/code><\/pre>\n\n\n\n
python
import array
import timeit<\/p>\n\n\n\n
def compare_performance(num_elements: int = 10_000_000) -> None:
„““
Vergleicht die Leistung beim Summieren von Elementen in list und array.array.<\/p>\n\n\n\n
Args:\n    num_elements (int, optional): Anzahl der Elemente f\u00fcr den Test. \n                                  Standardm\u00e4\u00dfig 10.000.000.\n"""\nsetup_code = f"""<\/code><\/pre>\n\n\n\n
import array
data = range({num_elements})
list_data = list(data)
array_data = array.array(‚i‘, data)
„““<\/p>\n\n\n\n
# Zeit f\u00fcr die Liste messen\nlist_time = timeit.timeit("sum(list_data)", setup=setup_code, number=10)\n\n# Zeit f\u00fcr das Array messen\narray_time = timeit.timeit("sum(array_data)", setup=setup_code, number=10)\n\nprint(f"Zeit zum Summieren von {num_elements} Elementen (10 Mal):")\nprint(f"list:  {list_time:.4f} Sekunden")\nprint(f"array: {array_time:.4f} Sekunden")<\/code><\/pre>\n\n\n\n
Beispiel f\u00fcr die Verwendung<\/h1>\n\n\n\n
if name<\/strong> == „main<\/strong>„:
compare_performance()<\/p>\n\n\n\n
**Ausgabe:**<\/code><\/pre>\n\n\n\n
Zeit zum Summieren von 10000000 Elementen (10 Mal):
list: 2.1106 Sekunden
array: 1.1549 Sekunden<\/p>\n\n\n\n
---\n\n### 3. Direkte Arbeit mit C-Bibliotheken (`ctypes`, `struct`)\n\n`array.array` ist ideal f\u00fcr die \u00dcbergabe von Daten an Low-Level-Bibliotheken, die in C geschrieben sind, da seine interne Struktur mit C-Arrays kompatibel ist.\n\n#### Beispiel mit `ctypes`:<\/code><\/pre>\n\n\n\n
python
import array
from ctypes import c_double, CDLL<\/p>\n\n\n\n
def demonstrate_ctypes_usage() -> None:
„““
Demonstriert die \u00dcbergabe von array.array an eine C-Funktion \u00fcber ctypes.
„““
# Array mit Double-Precision-Zahlen (Typ ‚d‘)
py_array = array.array(‚d‘, [1.1, 2.2, 3.3, 4.4])<\/p>\n\n\n\n
# Erstellen eines C-kompatiblen Arrays aus py_array\n# Die Funktion (c_double * len(py_array)) erstellt einen Typ "Array von 4 c_double"\n# (*py_array) entpackt das Python-Array in die Argumente dieses Konstruktors\nc_array = (c_double * len(py_array))(*py_array)\n\n# Hier k\u00f6nnte ein Aufruf an eine C-Funktion stehen, zum Beispiel:\n# my_c_library = CDLL(".\/libmath.so")\n# my_c_library.sum_doubles(c_array, len(c_array))\n\nprint(f"Python-Array: {py_array}")\nprint(f"C-kompatibles Array (ctypes): {[val for val in c_array]}")<\/code><\/pre>\n\n\n\n
Beispiel f\u00fcr die Verwendung<\/h1>\n\n\n\n
if name<\/strong> == „main<\/strong>„:
demonstrate_ctypes_usage()<\/p>\n\n\n\n
#### Beispiel mit `struct` zur Datenpaketierung:<\/code><\/pre>\n\n\n\n
python
import array
import struct<\/p>\n\n\n\n
def demonstrate_struct_packing(data: list[int]) -> bytes:
„““
Packt ein Array von Ganzzahlen in einen bin\u00e4ren String.<\/p>\n\n\n\n
Args:\n    data (list[int]): Liste der zu packenden Ganzzahlen.\n\nReturns:\n    bytes: Bin\u00e4re Darstellung der Daten.\n"""\narr = array.array('i', data)\n\n# Erstellen eines Format-Strings wie '3i' f\u00fcr 3 Ganzzahlen\nformat_string = f'{len(arr)}i'\n\n# Daten in bin\u00e4res Format packen\nbinary_data = struct.pack(format_string, *arr)\n\nprint(f"Urspr\u00fcngliches Array: {arr}")\nprint(f"Bin\u00e4re Daten: {binary_data}")\n\n# \u00dcberpr\u00fcfung: wieder entpacken\nunpacked_data = struct.unpack(format_string, binary_data)\nprint(f"Entpackte Daten: {unpacked_data}")\n\nreturn binary_data<\/code><\/pre>\n\n\n\n
Beispiel f\u00fcr die Verwendung<\/h1>\n\n\n\n
if name<\/strong> == „main<\/strong>„:
demonstrate_struct_packing([10, 20, 30])<\/p>\n\n\n\n
---\n\n### 4. Effiziente Serialisierung und Deserialisierung\n\nDie Methoden `.tobytes()` und `.frombytes()` erm\u00f6glichen die schnelle Umwandlung eines Arrays in Bytes und zur\u00fcck, was ideal zum Speichern in Dateien oder zur \u00dcbertragung \u00fcber ein Netzwerk ist.<\/code><\/pre>\n\n\n\n
python
import array<\/p>\n\n\n\n
def handle_binary_data() -> None:
„““
Demonstriert die Serialisierung und Deserialisierung von array.array in Bytes.
„““
# Urspr\u00fcngliches Array erstellen
source_array = array.array(‚i‘, [1, 2, 3, 4, 5])
print(f“Urspr\u00fcngliches Array: {source_array}“)<\/p>\n\n\n\n
# Array in Bytes serialisieren\nbinary_data = source_array.tobytes()\nprint(f"Daten in Bytes: {binary_data}")\n\n# Aus Bytes in ein neues Array deserialisieren\nnew_array = array.array('i')\nnew_array.frombytes(binary_data)\nprint(f"Wiederhergestelltes Array: {new_array}")\n\n# Integrit\u00e4t pr\u00fcfen\nassert source_array == new_array, "Daten stimmen nicht \u00fcberein!"\nprint("Datenintegrit\u00e4t best\u00e4tigt.")<\/code><\/pre>\n\n\n\n
Beispiel f\u00fcr die Verwendung<\/h1>\n\n\n\n
if name<\/strong> == „main<\/strong>„:
handle_binary_data()<\/p>\n\n\n\n
---\n\n### 5. Garantie der Typ-Homogenit\u00e4t\n\n`array.array` erzwingt strikt nur einen Datentyp, der bei der Erstellung angegeben wird. Dies verhindert das versehentliche Hinzuf\u00fcgen von Elementen eines anderen Typs.<\/code><\/pre>\n\n\n\n
python
import array<\/p>\n\n\n\n
def demonstrate_type_safety() -> None:
„““
Zeigt, dass array.array das Hinzuf\u00fcgen von Elementen eines anderen Typs nicht erlaubt.
„““
arr = array.array(‚i‘, [100, 200, 300])
print(f“Ganzzahl-Array: {arr}“)<\/p>\n\n\n\n
try:\n    # Versuch, ein String-Element hinzuzuf\u00fcgen\n    arr.append('hello')\nexcept TypeError as e:\n    # Erwartete Ausnahme\n    print(f"\\nDer Versuch, 'hello' hinzuzuf\u00fcgen, hat einen Fehler ausgel\u00f6st: {e}")\n    print("Dies best\u00e4tigt die strikte Typisierung des Arrays.")<\/code><\/pre>\n\n\n\n
Beispiel f\u00fcr die Verwendung<\/h1>\n\n\n\n
if name<\/strong> == „main<\/strong>„:
demonstrate_type_safety()<\/p>\n\n\n\n
---\n\n### 6. Direktes Schreiben und Lesen aus Bin\u00e4rdateien\n\nDie Methoden `.tofile()` und `.fromfile()` vereinfachen die Arbeit mit Bin\u00e4rdateien und vermeiden eine zwischengeschaltete Serialisierung.<\/code><\/pre>\n\n\n\n
python
import array
from pathlib import Path<\/p>\n\n\n\n
def work_with_binary_files(file_path_str: str = „data.bin“) -> None:
„““
Schreibt ein Array in eine Bin\u00e4rdatei und liest es wieder ein.<\/p>\n\n\n\n
Args:\n    file_path_str (str, optional): Dateiname zum Speichern.\n                                   Standardm\u00e4\u00dfig "data.bin".\n"""\nfile_path = Path(file_path_str)\nsource_array = array.array('f', [1.5, 2.7, 3.14])\n\ntry:\n    # In Datei schreiben\n    with file_path.open('wb') as f:\n        source_array.tofile(f)\n    print(f"Array {source_array} wurde in die Datei '{file_path}' geschrieben.")\n\n    # Aus Datei lesen\n    new_array = array.array('f')\n    with file_path.open('rb') as f:\n        # 3 Elemente vom Typ 'f' (float) lesen\n        new_array.fromfile(f, len(source_array))\n    print(f"Array {new_array} wurde aus der Datei gelesen.")\n\n    assert source_array == new_array\n\nfinally:\n    # Garantiertes L\u00f6schen der Datei nach der Ausf\u00fchrung\n    if file_path.exists():\n        file_path.unlink()\n        print(f"Tempor\u00e4re Datei '{file_path}' wurde gel\u00f6scht.")<\/code><\/pre>\n\n\n\n
Beispiel f\u00fcr die Verwendung<\/h1>\n\n\n\n
if name<\/strong> == „main<\/strong>„:
work_with_binary_files()
„`<\/p>\n\n\n\n
\n\n\n\n
\ud83d\udd39 Vergleichstabelle: array.array<\/code> vs. list<\/code><\/h2>\n\n\n\n
Merkmal<\/th>array.array<\/code><\/th>list<\/code><\/th><\/tr><\/thead>
Datentyp<\/strong><\/td>Homogene Primitive (Zahlen, Zeichen)<\/td>Beliebige Python-Objekte<\/td><\/tr>
Speicher<\/strong><\/td>Geringer Verbrauch<\/td>Hoher Verbrauch<\/td><\/tr>
Leistung<\/strong><\/td>Hoch bei numerischen Operationen<\/td>Geringer bei numerischen Operationen<\/td><\/tr>
API<\/strong><\/td>Begrenzter Satz von Methoden<\/td>Reichhaltige und flexible API<\/td><\/tr>
C-Kompatibilit\u00e4t<\/strong><\/td>Hoch, direkte Daten\u00fcbertragung<\/td>Konvertierungen erforderlich<\/td><\/tr>
Bin\u00e4re Serialisierung<\/strong><\/td>Integrierte Methoden (.tobytes<\/code>, .tofile<\/code>)<\/td>Erfordert struct<\/code>, pickle<\/code> usw.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
\n\n\n\n
Fazit:<\/strong><\/p>\n\n\n\n
\ud83d\ude80 Verwenden Sie array.array<\/code>, wenn Sie mit gro\u00dfen Mengen homogener numerischer Daten<\/strong> arbeiten und wenn Leistung<\/strong> und effiziente Speichernutzung<\/strong> f\u00fcr Sie entscheidend sind.<\/p>\n\n\n\n
F\u00fcr die meisten allt\u00e4glichen Aufgaben, bei denen Flexibilit\u00e4t und die Speicherung heterogener Daten erforderlich sind, bleibt list<\/code> die beste Wahl.<\/p>\n","protected":false},"excerpt":{"rendered":"
Das Modul array stellt einen spezialisierten Datentyp array.array zur Speicherung von Sequenzen homogener Zahlen bereit. Im Gegensatz zur universellen list bieten array.array-Arrays eine effizientere Speichernutzung und eine h\u00f6here Leistung bei der Arbeit mit numerischen Daten.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"neve_meta_sidebar":"","neve_meta_container":"","neve_meta_enable_content_width":"","neve_meta_content_width":0,"neve_meta_title_alignment":"left","neve_meta_author_avatar":"on","neve_post_elements_order":"[\"content\",\"tags\",\"comments\"]","neve_meta_disable_header":"","neve_meta_disable_footer":"","neve_meta_disable_title":"","_themeisle_gutenberg_block_has_review":false,"footnotes":""},"categories":[],"tags":[],"class_list":["post-2577","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/posts\/2577","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/comments?post=2577"}],"version-history":[{"count":0,"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/posts\/2577\/revisions"}],"wp:attachment":[{"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/media?parent=2577"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/categories?post=2577"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/de.davidka.net\/de\/wp-json\/wp\/v2\/tags?post=2577"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}