AI 記事

「配列とリスト」違いは？Pythonで学ぶ基本の『き』

「配列とリスト」違いは？Pythonで学ぶ基本の『き』

プログラミング学習を進める中で、「配列」と「リスト」、どちらもデータの集まりを扱うものとして、同じものだと誤解していませんか。多くの言語で似たように使われるため、違いを意識しないまま進んでしまう人も少なくありません。

しかし、この2つのデータ構造の根本的な違いを知ることは、プログラムの速度やメモリ効率を大きく左右します。特にPythonの「リスト」は、その柔軟性ゆえに「配列」と「リスト」の特性を併せ持つ特殊な存在です。

この記事では、Pythonを例に挙げながら、配列とリストの本当の違いを掘り下げます。データ構造の基礎を理解し、より堅牢で高速なコードを書けるようになるための第一歩を踏み出しましょう。

「配列とリスト」何が違う？データ構造の役割を知る

結論から言うと、配列とリストは「データをどのように配置し、どのようにアクセスするか」という点で根本的に異なります。この違いが、パフォーマンスに大きな影響を与えます。

具体的には、配列は通常、メモリ上で連続した領域にデータを格納するデータ構造です。これにより、インデックス（添字）を使って特定のデータへ直接、高速にアクセスできます。例えば、100番目のデータにアクセスする場合、メモリの先頭から数えて100番目のアドレスに直接ジャンプできるため、かかる時間は一定です。しかし、配列は初期にサイズを決めることが多く、途中にデータを挿入したり削除したりすると、その後のデータをすべてずらす必要があり、時間がかかります。

一方、一般的な意味でのリスト（連結リスト）は、データと「次のデータがどこにあるか」を示すポインタ（参照）をセットで持ちます。メモリ上でデータが連続している必要はありません。これにより、リストの途中にデータを挿入したり削除したりする際、ポインタの情報を書き換えるだけで済み、高速に操作できます。しかし、特定のインデックスのデータにアクセスするには、リストの先頭からポインタをたどっていく必要があるため、データ数に比例して時間がかかります。

注意点として、Pythonの「リスト」は、一般的な意味での「配列」と「連結リスト」のどちらとも少し異なります。Pythonのlist型は「動的配列」と呼ばれるデータ構造であり、内部的には連続したメモリ領域を確保しつつ、必要に応じて自動的にサイズを拡張する仕組みを持っています。このため、インデックスアクセスは高速ですが、途中の挿入・削除はコストがかかります。

Pythonの「リスト」は動的配列！基本を知る

結論として、Pythonのlistは、非常に柔軟で強力な動的配列です。プログラミングの多くの場面で活躍します。

具体的には、Pythonのリストは複数の要素を順序付けて格納できます。数値、文字列、他のリストなど、異なる型のデータを混ぜて格納することも可能です。リストのサイズは、要素の追加や削除に応じて自動的に調整されます。

# リストの作成
my_list = [10, 20, 30, "hello", True]
print(f"作成したリスト: {my_list}")

# 特定の要素にアクセス (インデックスは0から始まる)
first_element = my_list[0]
print(f"最初の要素: {first_element}")

third_element = my_list[2]
print(f"3番目の要素: {third_element}")

# リストの末尾に要素を追加
my_list.append(40)
print(f"要素追加後のリスト: {my_list}")

# リストの長さを取得
list_length = len(my_list)
print(f"リストの長さ: {list_length}")

このコードでは、my_list = [10, 20, 30, "hello", True] でリストを初期化しています。角括弧[]で要素を囲むのがPythonのリストの書き方です。my_list[0]のように角括弧内にインデックスを指定すると、その位置の要素にアクセスできます。インデックスは常にから始まります。append()メソッドを使うと、リストの末尾に新しい要素を簡単に追加できます。len()関数は、リストに含まれる要素の数を返します。

注意点として、Pythonのリストは非常に便利ですが、その内部構造が動的配列であるため、パフォーマンス特性を理解せずに使うと、予期せぬ速度低下を招くことがあります。特に、リストの先頭や途中に頻繁に要素を挿入する操作は、避けるべき場面が多くあります。

Python環境を5分で準備！今日からコードを書こう

結論、Pythonの実行環境は非常に簡単に準備できます。今日からすぐにコードを書き始められます。

具体的な手順は以下の通りです。まず、Pythonの公式サイトからインストーラをダウンロードします。WindowsやmacOS向けに、使いやすいグラフィカルインストーラが提供されています。ダウンロードページにアクセスし、最新安定版のインストーラを選んでください。ダウンロードしたファイルを実行し、指示に従ってインストールを進めます。特にWindowsでは「Add Python to PATH」のチェックボックスに忘れずにチェックを入れてください。これにより、コマンドラインからPythonコマンドを使えるようになります。

インストールが完了したら、コマンドプロンプト（Windows）またはターミナル（macOS/Linux）を開き、python --versionと入力してEnterキーを押します。インストールしたPythonのバージョン番号が表示されれば、環境構築は成功です。

# Pythonのバージョン確認コマンド
python --version

もし、手元に環境を構築するのが難しい場合でも、Google Colaboratory（Google Colab）のようなオンラインサービスを使えば、ブラウザ上でPythonコードをすぐに実行できます。Googleアカウントがあれば、特別な設定なしで利用可能です。Google Colabの新しいノートブックを作成し、コードを入力して実行ボタンを押すだけで、Pythonプログラミングを始められます。

注意点として、OSによってはPythonがプリインストールされていることがありますが、多くの場合、古いバージョンです。最新の機能やライブラリを使うためには、公式インストーラで新しいバージョンをインストールすることをおすすめします。また、複数のPythonバージョンを管理する際は、pyenvなどのツールを使うと便利です。

Pythonリストの操作術：追加・削除・参照の3大コマンド

結論として、Pythonリストの基本的な操作は「追加」「削除」「参照」の3つに集約されます。これらをマスターすれば、データの操作はぐっと楽になります。

具体的な手順とコード例を見ていきましょう。

  1. 要素の追加（append()とinsert()）

    • append(): リストの末尾に要素を追加します。最も高速な追加方法です。
    • insert(index, element): 指定したインデックス位置に要素を挿入します。この操作は、挿入位置以降の要素をすべてずらすため、データ数が多いリストの先頭や途中に挿入すると、処理時間が長くなります。
    my_data = [10, 20, 30]
my_data.append(40) # 末尾に追加
print(f"append後: {my_data}") # [10, 20, 30, 40]

my_data.insert(1, 15) # インデックス1に15を挿入
print(f"insert後: {my_data}") # [10, 15, 20, 30, 40]

  2. 要素の削除（pop()とremove()とdel）

    • pop(index): 指定したインデックス位置の要素を削除し、その要素を返します。インデックスを指定しない場合、末尾の要素を削除します。末尾の削除は高速です。
    • remove(value): 指定した値を持つ最初の要素を削除します。リスト内に同じ値が複数ある場合でも、最初に見つかったものだけを削除します。
    • del list[index]: 指定したインデックス位置の要素を削除します。pop()と異なり、削除した要素は返しません。
    my_data = [10, 15, 20, 30, 40]
removed_item = my_data.pop(1) # インデックス1の要素(15)を削除し取得
print(f"pop後: {my_data}, 削除された要素: {removed_item}") # [10, 20, 30, 40], 15

my_data.remove(30) # 値30を削除
print(f"remove後: {my_data}") # [10, 20, 40]

del my_data[0] # インデックス0の要素(10)を削除
print(f"del後: {my_data}") # [20, 40]

  3. 要素の参照（インデックスアクセスとスライス）

    • list[index]: 指定したインデックス位置の要素に直接アクセスします。非常に高速です。
    • list[start:end]またはlist[start:end:step]: リストの一部を新しいリストとして取り出します（スライス）。
    my_data = [10, 20, 30, 40, 50, 60]
value = my_data[3] # インデックス3の要素(40)を参照
print(f"参照した値: {value}") # 40

sub_list = my_data[1:4] # インデックス1から3までの要素を取得
print(f"スライス結果: {sub_list}") # [20, 30, 40]

even_indexed = my_data[::2] # 2ステップごとに要素を取得
print(f"偶数インデックス: {even_indexed}") # [10, 30, 50]

注意点として、insert()やdel、remove()でリストの途中や先頭の要素を操作する際は、その後のすべての要素をずらす処理が発生します。リストのサイズがN個の場合、これらの操作は最大でN個の要素を移動させるため、処理時間はデータ数に比例して増加します。これを「O(N)の計算量」と呼びます。一方、末尾へのappend()やインデックスアクセスは、データ数に関わらずほぼ一定の時間で完了し、「O(1)の計算量」となります。この計算量の違いを意識することが、パフォーマンス改善の鍵です。

「あれ、遅い？」リスト操作でつまずきやすいポイント

結論として、Pythonのリストは万能に見えますが、特定の操作を多用するとプログラムの実行速度が著しく低下する可能性があります。特に注意すべきは、リストの先頭への要素挿入です。

あるプログラミング学習者の体験談を紹介します。 副業でSaaS開発に取り組む30代のエンジニア（以下Aさん）は、Pythonのリストを使い、ユーザーの操作履歴を記録する機能を実装していました。最初は少数のデータで問題なく動いていましたが、ユーザー数が増え、履歴データが1万件を超えたあたりから、アプリケーションの動作が目に見えて遅くなりました。

Aさんが何に困っていたかというと、最新の操作履歴を常にリストの先頭に追加する設計にしていたため、list.insert(0, new_item)というコードを多用していたのです。 なぜそれを選んだかというと、Aさんは「リストなんだから、どこにでも高速に挿入できるはず」という、他の言語の連結リストのイメージを持っていたためです。Pythonのリストが内部的に動的配列であるという知識が不足していました。

どう解決できたかというと、Aさんはデータ構造の基本的な原理を学び直しました。特に、動的配列における先頭への挿入が、既存の全要素を一つずつずらす高コストな操作であることを理解しました。その結果、以下の解決策を見つけました。

  1. データ構造の変更: リストの先頭への頻繁な追加が必要な場合、collectionsモジュールのdeque（デック）を使うことにしました。dequeは両端キューとも呼ばれ、リストの両端からの要素の追加・削除がO(1)の計算量で可能です。
  2. 処理ロジックの改善: 履歴を保存する際、常に末尾にappend()で追加し、表示するときだけ逆順にする、というシンプルな変更も検討しました。

この変更により、アプリケーションのレスポンスは以前より30倍改善しました。Aさんは「データ構造の内部的な仕組みを知らずに使っていたのが原因だった。便利さの裏にあるコストを理解することが本当に重要だと痛感した」と語っていました。

この体験から読者が学べることは、Pythonのリストは非常に便利ですが、内部的には動的配列であり、特定の操作（特に先頭や途中への挿入・削除）にはパフォーマンス上のコストがかかることです。適切なデータ構造を選択することで、予期せぬ性能問題を回避できます。

今日から実行できるアクションプランを2つ提示します。

  • Pythonのlistの内部実装が「動的配列」であることを改めて確認し、なぜ先頭への挿入が遅いのかを調べてみましょう。
  • collections.dequeというデータ構造について調べ、Pythonのリストとdequeで先頭への要素挿入時間を比較する簡単なベンチマークコードを書いてみましょう。
import time
from collections import deque

def benchmark_list_insert_front(num_elements):
    my_list = []
    start_time = time.perf_counter()
    for i in range(num_elements):
        my_list.insert(0, i) # リストの先頭に挿入
    end_time = time.perf_counter()
    return (end_time - start_time) * 1000 # ミリ秒単位に変換

def benchmark_deque_append_left(num_elements):
    my_deque = deque()
    start_time = time.perf_counter()
    for i in range(num_elements):
        my_deque.appendleft(i) # dequeの左端に挿入
    end_time = time.perf_counter()
    return (end_time - start_time) * 1000 # ミリ秒単位に変換

NUM_ELEMENTS = 10000 # 1万件のデータで比較

list_time = benchmark_list_insert_front(NUM_ELEMENTS)
deque_time = benchmark_deque_append_left(NUM_ELEMENTS)

print(f"リストの先頭挿入（{NUM_ELEMENTS}件）: {list_time:.2f} ms")
print(f"dequeの左端追加（{NUM_ELEMENTS}件）: {deque_time:.2f} ms")
print(f"リストはdequeより約 {list_time / deque_time:.1f} 倍遅い")

このベンチマークコードを実行すると、リストの先頭挿入がいかに高コストであるか、具体的な数値で確認できます。多くの場合、数千倍、数万倍といったオーダーでdequeの方が高速であることが示されます。

「連結リスト」を理解する：Pythonで概念を学ぶ

結論として、一般的な意味での「リスト」は「連結リスト（Linked List）」と呼ばれるデータ構造を指します。Pythonのlistとは異なる、その概念を理解することは非常に重要です。

連結リストは、各要素（ノード）が「データ」と「次の要素への参照（ポインタ）」を持つことで構成されます。最初の要素を「ヘッド」、最後の要素を「テール」と呼びます。これにより、メモリ上でデータが連続していなくても、ポインタをたどることで全体の構造を保てます。

Pythonには標準で連結リスト型は提供されていませんが、クラスを使ってその概念を模倣できます。

class Node:
    def __init__(self, data):
        self.data = data # ノードが保持するデータ
        self.next = None # 次のノードへの参照（最初はNone）

class LinkedList:
    def __init__(self):
        self.head = None # リストの先頭ノード

    def append(self, data):
        new_node = Node(data)
        if self.head is None:
            self.head = new_node
            return
        current = self.head
        while current.next:
            current = current.next
        current.next = new_node

    def display(self):
        elements = []
        current = self.head
        while current:
            elements.append(current.data)
            current = current.next
        print(elements)

# 連結リストを使ってみる
my_linked_list = LinkedList()
my_linked_list.append(10)
my_linked_list.append(20)
my_linked_list.append(30)
print("連結リストの要素:")
my_linked_list.display() # 出力: [10, 20, 30]

このコードでは、Nodeクラスがデータと次のノードへの参照を持ち、LinkedListクラスがそれらのノードを管理しています。appendメソッドでは、リストの末尾までポインタをたどって新しいノードを追加しています。

注意点として、このLinkedListクラスはPythonの標準list型とは全くの別物です。Pythonのlistは内部的には動的配列であり、インデックスによる高速アクセスが可能です。一方、ここで示した連結リストの模倣では、インデックスを指定して直接アクセスすることはできません。常にヘッドからポインタをたどる必要があります。このため、特定のインデックスへのアクセスはO(N)の計算量となります。しかし、リストの先頭への挿入・削除は、ヘッドのポインタを付け替えるだけで済むため、O(1)で完了します。

配列とリスト、使い分けの判断基準とは？

結論として、配列（動的配列を含む）と連結リストは、それぞれの特性を理解し、用途に応じて使い分けることが重要です。Pythonのlistはその多くをカバーしますが、原理を知ることで最適な選択ができます。

具体的な判断基準は以下の通りです。

  1. 要素へのアクセス頻度:

    • インデックスを使ったランダムアクセスが頻繁な場合: 配列（Pythonのlist）が有利です。メモリが連続しているため、インデックスから直接目的の要素へジャンプできます。これはO(1)の計算量です。
    • 先頭から順にアクセスする場合: どちらでも大きな差はありませんが、連結リストも有効です。

  2. 要素の挿入・削除の頻度と位置:

    • リストの末尾への追加・削除が頻繁な場合: 配列（Pythonのlist）は比較的効率的です（O(1)）。
    • リストの先頭や途中への挿入・削除が頻繁な場合: 連結リストが有利です。ポインタの付け替えだけで済むため、O(1)の計算量で完了します。配列（Pythonのlist）の場合、既存の要素をずらす必要があるため、O(N)の計算量となり、データ量が多いと顕著に遅くなります。Pythonではcollections.dequeの利用を検討しましょう。

  3. リストのサイズ変化:

    • 要素数が固定または事前に予測できる場合: 配列がシンプルです。
    • 要素数が頻繁に大きく変化する場合: 動的配列（Pythonのlist）や連結リストが適しています。動的配列は自動でメモリを拡張しますが、その際に一時的にコピーが発生する場合があります。連結リストは必要な分だけノードを作成するため、メモリの柔軟性が高いです。

注意点として、Pythonのlistは多くのケースで十分なパフォーマンスを発揮するため、初期段階で過度にデータ構造の最適化を考える必要はありません。しかし、プログラムの速度がボトルネックになった場合や、特定の操作が頻繁に行われる場合は、内部的な動作を理解し、collections.dequeのような別のデータ構造への切り替えを検討することが、パフォーマンス改善の鍵となります。

データ構造を理解して「コードが読める」エンジニアになる

結論として、配列とリストのような基本的なデータ構造の理解は、単にコードを書けるようになるだけでなく、書かれたコードの意図を深く読み解き、効率的な設計ができるエンジニアになるために不可欠です。

具体的には、データ構造の特性を知ることで、なぜ特定のアルゴリズムが速いのか、なぜこのコードは遅いのか、といった疑問に対し、理論に基づいた考察ができるようになります。例えば、検索アルゴリズムを学ぶ際も、データが配列に格納されているか、それとも連結リストに格納されているかで、最適な検索方法やその計算量が大きく変わることを理解できます。これが「計算量（オーダー記法）」の理解にもつながります。

さらに、他のプログラミング言語を学ぶ際も、その言語の配列やリストがどのような内部構造を持つのかを推測しやすくなります。例えば、C++のstd::vectorは動的配列、std::listは連結リストというように、Pythonのlistとは異なる特性を持つことをすぐに理解できます。これは新しい言語やフレームワークを習得する時間を大幅に短縮します。

注意点として、抽象的な概念だけで終わらせず、常に具体的なコードを書いて手を動かすことが重要です。実際にPythonのリストやdequeを使って、様々な操作の速度を比較するベンチマークコードを書いてみましょう。そうすることで、理論的な知識が実践的なスキルへと昇華されます。

データ構造の基礎を固めることは、表面的なテクニックに留まらない、本質的なプログラミング能力を高める道です。

まとめ

この記事では、「配列とリスト」というプログラミングの基礎的なデータ構造について、Pythonを例に挙げて解説しました。Pythonのlistが動的配列であること、そして一般的な連結リストの概念との違いを深く掘り下げてきました。

データ構造の特性を理解することは、プログラムの性能を左右する重要な要素です。インデックスアクセスが高速な配列、先頭や途中への挿入・削除が高速な連結リスト。それぞれの強みと弱みを把握し、適切な場面で最適なデータ構造を選べるようになりましょう。

今日から、Pythonのlistを使う際に、その内部で何が起きているのか、この操作はどれくらいのコストがかかるのかを意識してみてください。

参考文献

まとめ・次のステップ

この記事が役に立ったら、ブログのメールマガジンへ登録してください。 AI活用・個人開発・副業に関する最新情報を週1回お届けします。

👉 無料メルマガに登録する（Waitlist）

このブログでは、会社員をしながら副業でSaaSを開発する過程をリアルに発信しています。使用スタック: Next.js / Supabase / Claude API / Vercel

広告

-AI, 記事