除了列表、元组和字符串,Python还有哪些序列类型

沿途有光
沿途有光
发布时间:2026-11-16| 5人浏览过
原创

深入解析Python中除列表、元组和字符串之外的序列类型,包括range、bytes、bytearray、memoryview及array.array的底层机制、内存特点与选型场景。

日常编写 Python 代码时,提到序列类型,大家最先想到的一定是列表(list)、元组(tuple)和字符串(str)。但在 Python 标准库与底层运行时中,序列家族远比这三者丰富得多:用于不可变等差数值序列的 range、专为二进制流设计的 bytes 与 bytearray、实现零拷贝缓冲操作的 memoryview,以及面向紧凑同质数值存储的 array.array。这些类型各自针对特化场景进行了极致的内存与性能优化,搞清楚它们的边界与特性,是写出地道、高性能 Python 代码的必经之路。

一、序列的核心定义:扁平序列与容器序列

在深入具体类型之前,需要明确 Python 中“序列”(Sequence)的数学与对象模型。凡是支持通过整数索引访问(__getitem__)、具备确定长度(__len__)且支持切片、迭代与包含性测试(in)的数据结构,都属于广义的序列范畴。

从物理内存存储结构来划分,Python 的序列类型主要分为两大阵营:

  • 容器序列(Container Sequences):如 list 与 tuple。它们存储的并非对象本身的数据,而是对各个 Python 对象的引用指针。容器序列可以存放异构对象,甚至能够嵌套自身,但指针寻址带来了额外的内存消耗与间接访问开销。
  • 扁平序列(Flat Sequences):如 str、bytes、bytearray 和 array.array。它们在连续的物理内存空间中直接存储紧凑的原始值(例如字符编码、C 基础数据类型的字节),无法存放异构对象,但内存密度极高、CPU 缓存友好且访问速度飞快。
除了列表、元组和字符串,Python还有哪些序列类型
图 1:Python 序列类型架构关系与存储模型

二、不可变算术序列:被严重低估的 range

很多人习惯把 range 视作“用于 for 循环的计数器”,甚至误以为它是一个生成器(generator)。实际上,range 在 Python 3 中是一个名副其实的不可变序列类型。

作为标准序列,range 具备以下序列全部特征:

  • 常数级时间复杂度的成员判断:当执行 x in range(0, 1000000000, 2) 时,Python 绝不会从头到尾进行遍历,而是通过简单的数学算术运算 (x - start) % step == 0 在 $O(1)$ 时间内完成判断。
  • 完整的索引与切片支持:不仅可以 r[5] 快速取值,甚至可以对 range 进行切片:range(0, 100, 2)[5:15:2],返回的依然是一个新的 range 实例。
  • 恒定不变的内存消耗:无论定义的是 range(10) 还是 range(10**18),它在内存中都只保存 start、stop、step 三个整数属性,占用固定的 48 字节左右内存。
# range 序列的算术特性示例
r = range(10, 100, 5)

# 1. 序列索引与切片
print(r[2])          # 示例输出: 20
print(r[-1])         # 示例输出: 95
sub_r = r[2:8:2]
print(sub_r)         # 示例输出: range(20, 50, 10)

# 2. O(1) 效率的数学包含判断
print(45 in r)       # 示例输出: True
print(46 in r)       # 示例输出: False

三、二进制基础序列:bytes 与 bytearray

在涉及网络套接字(Socket)、磁盘二进制文件读写、加密散列计算或硬件外设通信时,文本字符串(Unicode)无法直接处理原始电信号字节,此时的核心就是二进制序列。

1. 不可变二进制序列:bytes

bytes 是只读的 8 位无符号整数序列(每个元素数值都在 0 到 255 之间)。字面量通常以 b"..." 形式表示。虽然通过切片或迭代访问单个元素时,会得到具体的十进制整数,但它支持类似于字符串的 .startswith()、.split() 等丰富方法。

2. 可变二进制序列:bytearray

bytearray 则是 bytes 的可变孪生版本。与列表类似,bytearray 支持原地修改特定下标的字节、追加数据、弹出元素或切片批量替换。

为什么在网络通信中更偏向使用 bytearray?
如果使用不可变的 bytes 拼接网络包分片,每一次 data += chunk 都会在内存中重新申请一块更大的空间,并将旧数据完整拷贝过去,导致严重的性能损耗与内存碎片。而 bytearray 可以在预分配的连续内存中执行就地追加(extend 或切片赋值),性能高出一个数量级。
# bytes 与 bytearray 操作示例
# 创建不可变 bytes
fixed_header = b"\xaa\x55\x01\x00"

# 创建可变 bytearray 并进行原地装配
buffer = bytearray(fixed_header)
buffer.append(0xFF)          # 追加单字节
buffer.extend([0x01, 0x02])  # 追加多个字节
buffer[2] = 0x09             # 原地替换命令字: 从 0x01 改为 0x09

print(buffer)                # 示例输出: bytearray(b'\xaaU\t\x00\xff\x01\x02')

四、高性能利器:array.array 与 memoryview

当处理海量结构相同的同质数值时,标准的 list 会带来极其严重的内存膨胀问题。因为列表里的每个元素都是一个完整的 Python 浮点数或整数对象,附带类型指针和引用计数头部。为此,Python 标准库提供了更为底层的内存级序列。

除了列表、元组和字符串,Python还有哪些序列类型
图 2:list、array.array 与 memoryview 的内存物理结构区别

1. 紧凑同质数值数组:array.array

array.array 直接将 C 语言原生数据类型存放在连续内存中。创建时必须指定类型码(typecode),例如 'd' 代表双精度浮点数(8 字节),'i' 代表带符号整数(4 字节)。

以存放 1000 万个浮点数为例:用 list 存储大约需要 80MB 内存;而用 array('d') 只需要 80MB 的十分之一不到,且在与 C/C++ 动态链接库或文件 I/O 交互时,可以直接通过二进制流快速载入与保存(fromfile/tofile)。

2. 零拷贝缓冲视图:memoryview

memoryview 是 Python 缓冲区协议(Buffer Protocol)的核心实现。它允许你在不复制内存的情况下,对其他支持缓冲协议的对象(如 bytes、bytearray、array.array)进行切片与共享访问。

如果对一个 100MB 的 bytes 对象做标准切片 b[1000:2000],Python 会开辟新内存并复制这 1000 个字节;但如果是 memoryview(b)[1000:2000],返回的仅是一个轻量级视图指针,内存消耗为零。修改可变缓冲区(如 bytearray)的 memoryview 切片,会直接体现在原对象上。

# array.array 与 memoryview 协同示例
import array

# 创建包含 5 个 32位有符号整数('i')的数组
numbers = array.array('i', [10, 20, 30, 40, 50])

# 创建该数组的内存视图
view = memoryview(numbers)
print(view[1:4].tolist())  # 示例输出: [20, 30, 40]

# 零拷贝类型转换: 将 4 字节整数视图转为单字节展示
byte_view = view.cast('B')
print(len(byte_view))      # 示例输出: 20 (5个int 各占4字节)

五、反例辨析:为什么 deque 不是标准序列?

在讨论序列时,很多开发者容易把 collections.deque(双端队列)也当成序列类型。必须明确:在 Python 抽象定义中,deque 并不属于序列(Sequence)。

我们可以通过标准库的抽象基类进行严格验证:

from collections import deque
from collections.abc import Sequence, MutableSequence

d = deque([1, 2, 3])
print(isinstance(d, Sequence))         # 输出: False
print(isinstance(d, MutableSequence))  # 输出: False

其核心原因在于底层设计定位与时间复杂度保证:

  • Sequence 的设计哲学要求随机索引访问(s[i])保持极高的效率(通常为 $O(1)$),且必须支持切片操作(s[start:stop])。
  • deque 是为了在序列两端提供极高吞吐的 $O(1)$ 入队和出队(append/popleft)而设计的双向链表(块状节点)。如果在 deque 中间随机访问 d[n],时间复杂度会劣化为 $O(n)$,而且 deque 甚至直接禁用了切片语法(执行 d[1:2] 会直接抛出 TypeError)。

六、序列类型选型决策与实践路径

面对具体业务场景时,如何在这几种特殊序列中做出最佳抉择?以下决策流程能够帮助你在性能与灵活性之间找到最优解。

除了列表、元组和字符串,Python还有哪些序列类型
图 3:Python 特殊序列类型选型决策与推导步骤

七、总结与特性对照

除了最为常见的 list、tuple 和 str 之外,Python 在标准库层面针对紧凑性、修改成本与内存传输效率给出了完整的序列生态。了解它们的特性,能够帮助你在应对特殊性能瓶颈时游刃有余。

除了列表、元组和字符串,Python还有哪些序列类型
图 4:特殊序列类型核心特性与性能对比总结
序列类型 可变性 内容类型 底层存储机制 主要应用场景
range 不可变 等差整数 保存起始、终止与步长参数($O(1)$ 内存) 数字计数循环、高效大范围数字判断
bytes 不可变 单字节(0~255) 连续单字节定长物理内存 静态二进制数据、散列摘要、固定网络包头
bytearray 可变 单字节(0~255) 连续单字节动态可扩容物理内存 动态装配协议包、二进制就地加解密与替换
array.array 可变 同质 C 原生数值 严格连续的 C 基本类型物理数组 纯数值存储、文件二进制 dump、紧凑矩阵
memoryview 由底层决定 缓冲协议数据 底层连续内存的指针与步幅元数据封装 超大数据切片与零拷贝 I/O 传输
相关专题:

免责声明:本文内容仅供参考,不代表本站观点。转载或引用请注明出处。

Python 相关产品和应用

全部下载
Selenium

Selenium

4.51.0 · Windows

用于浏览器自动化和 Web 测试的 Python 工具。

scikit-learn

scikit-learn

1.9.1 · Windows

常用 Python 机器学习算法与模型评估工具库。

Black

Black

26.10.1 · Windows

强调一致性的 Python 自动代码格式化工具。

Ruff

Ruff

0.17.1 · macOS

由 Rust 编写的高速 Python 代码检查和格式化工具。

pytest

pytest

9.1.1 · Windows

简洁而强大的 Python 自动化测试框架。

FastAPI

FastAPI

0.146.0 · Windows

高性能 Python API 框架,支持类型提示和自动接口文档。

Flask

Flask

3.1.3 · Windows

轻量灵活的 Python Web 应用框架。

Django

Django

6.1.2 · Windows

成熟的 Python Web 框架,适合构建内容站点和业务系统。

Spyder

Spyder

6.1.7 · Windows

面向科学计算与数据分析的 Python 集成开发环境。

SciPy

SciPy

1.18.1 · Windows

面向科学、工程和技术计算的 Python 算法库。