不能直接用 np.append() 循环追加，因为每次调用都创建新数组、全量拷贝，时间复杂度近 O(n²)，内存开销大；推荐先用 Python 列表收集再一次性转 np.array()。
为什么不能直接用 np.append() 循环追加
很多人第一反应是用 np.append()，但每次调用都会创建一个全新数组——原数组不会被修改，内存复制开销随长度线性增长。10 万次追加可能触发数 GB 临时内存分配，还容易引发 MemoryError 或显著拖慢程序。
根本原因是 NumPy 数组是固定大小的连续内存块，不支持原地扩容，这和 Python 列表的动态扩容机制完全不同。
-
np.append(arr, x)返回新数组，arr本身不变 - 若写成
arr = np.append(arr, x)，旧arr引用丢失，但中间数组仍需完整拷贝 - 在循环中反复调用，时间复杂度接近
O(n²)
推荐做法：先用 Python 列表收集，最后一次性转 np.array()
这是最常用、最安全、也最快的方式。Python 列表的 append() 是摊还 O(1)，内部自动扩容；等收集完成再转 NumPy，只发生一次内存分配和类型转换。
适用场景：你不知道最终长度，但能接受“延迟构造”——即不追求实时数组访问，只要最终结果是 NumPy 数组即可。
立即学习“Python免费学习笔记（深入）”；
- 如果元素是标量（如
int,float），直接list.append(x)即可 - 如果追加的是小数组（如 shape=(3,) 的向量），用
list.extend()或多次append()都行，避免嵌套列表 - 最后统一转为
np.array(my_list, dtype=np.float64)，显式指定dtype可避免推断错误
items = []
for x in data_stream:
items.append(x) # 快，无拷贝
arr = np.array(items, dtype=np.float32) # 仅一次转换需要实时访问数组时：预分配 + 索引写入
如果你必须边追加边读取当前数组（比如做在线统计、可视化更新），预分配是最可控的选择。关键不是“猜最大长度”，而是根据业务设定合理上界（例如日志最多 100 万条、传感器采样固定 60 秒 × 1000Hz = 60000 点）。
- 用
np.empty(N, dtype=...)或np.zeros(N, ...)预分配，比np.array([])启动快得多 - 维护一个整数计数器
cursor，表示已写入多少元素，所有读操作只作用于arr[:cursor] - 若真超限，再触发一次扩容（如翻倍）并拷贝，但这种情况极少，且可控
MAX_LEN = 100000
arr = np.empty(MAX_LEN, dtype=np.int64)
cursor = 0
for x in stream:
if cursor >= MAX_LEN:
raise RuntimeError("Buffer overflow: exceed MAX_LEN")
arr[cursor] = x
cursor += 1
final_arr = arr[:cursor] # 截取实际使用部分别碰 np.concatenate() 和 np.resize()
这两个函数常被误认为“更底层所以更快”，实际恰恰相反：
-
np.concatenate([a, [x]])和np.append()底层调用相同逻辑，同样全量拷贝 -
arr.resize(new_size, refcheck=False)虽然能原地改 shape，但仅当数组是唯一引用时才安全；一旦有切片或视图存在（比如你传给过某个函数），就会抛ValueError: cannot resize an array that has been referenced -
refcheck=False强行绕过检查等于埋雷，后续行为不可预测
它们的存在意义是批量合并已知数组或调试内存布局，不是为动态追加设计的。
真正难的不是选哪个函数，而是判断“是否真的需要每步都维持 NumPy 数组形态”。多数情况下，列表收集中间态 + 一次转换，既安全又高效。预分配适合硬实时场景，但要求你对数据规模有基本预估。盲目追求“全程 NumPy”反而让代码变慢、变脆。
