我是一名Python初学者，并对这些不同形式的存储数据感到困惑？什么时候应该使用哪个。哪些适合存储矩阵（和矢量）？
答案 0 :(得分：0)
numpy上，更适合表和数据库中的数据类型。更具体地说，您需要了解需要解决的问题类型。您使用的是哪种数据，以及您需要使用哪些数据？
lists可以改变大小，并且可以包含多种元素。
numpy.array的大小是固定的，包含统一类型的元素。它是多维的，并且已经实现了许多数学函数。
答案 1 :(得分：0)
以下是一般性概述（部分归功于在线文档，Mark Lutz和Wes McKinney O＆＃39; Reilly书籍）：
list ：Python标准中提供的常规选择对象
图书馆。列表是按位置任意排列的任意集合
键入的对象，没有固定的大小。它们也是可变的（str
例如，不是）。
numpy.ndarray ：存储相同类型的项目集合。一切
item占用相同大小的内存块（不一定是这种情况
在list）。如何解释数组中的每个项目
由单独的数据类型对象（dtype指定，不要混淆
与type）。此外，与列表不同，ndarray可能不具备
附加到位的项目（即.append方法返回一个新的
包含附加项的数组，与list s不同。
单个ndarray是一个向量，同一大小ndarray的{{1}}是一个二维数组（a.k.a矩阵），依此类推。您可以通过嵌套来制作任意n维对象。
ndarray ：包含一个类似于一维数组的对象
数据数组（任何pandas.Series）和相关的数据数组
标签，称为其索引。它基本上是一个荣耀的dtype，
带有标签（存储在numpy.ndarray内作为Series对象）
物品和一些方便的额外功能。另外，Index可以
包含多个不同Series s的对象（更像是dtype）。
list ：多个pandas.DataFrame的集合，形成一个
类似于表的对象，具有许多非常方便的数据功能
分析
答案 2 :(得分：0)
列表：列表非常灵活，可以保存完全异构的任意数据，并且可以非常有效地附加它们。
数组：另一方面，array.array类型只是C数组上的一个瘦包装器。它只能保存同类数据，所有类型相同，因此它只使用sizeof（一个对象）*长度字节的内存。
Numpy数组：但是，如果你想对同类数组数据进行数学运算，那么你最好使用NumPy，它可以自动对复杂的多维数组上的操作进行矢量化。
Pandas：Pandas提供基于NumPy构建的高级数据操作工具。 NumPy本身就是一个相当低级的工具。
Pandas提供了一堆C或Cython优化的例程，它们比numpy“等价物”（例如阅读文本）更快。对于类似点积的东西，pandas DataFrames通常比numpy数组慢
仅供参考：取自不同的网络资源