array比list省内存的根本原因是其以连续内存块直接存储原始数值，无python对象头和指针开销；而list存储对象指针，每个元素额外占8字节，且每个int对象本身约28字节。
array模块比list省内存的根本原因
因为 array 是连续内存块，只存原始数值（如 int、float），没有 Python 对象头和引用指针；而 list 存的是对象指针，每个元素额外占用 8 字节（64 位系统），还要为每个整数对象分配独立内存（int 对象本身约 28 字节）。100 万个 int 用 list 可能占 10+ MB，用 array('i') 通常不到 4 MB。
选对 typecode 才真正省空间
typecode 决定单个元素字节数，错选会白忙一场。比如读取传感器 16 位 ADC 值（范围 0–65535），该用 'H'（无符号 short，2 字节），而不是默认的 'i'（有符号 int，4 字节）或 'l'（long，8 字节）。
-
'b'/'B'：1 字节，适合布尔、小整数 -
'h'/'H'：2 字节，足够存大多数计数器、ADC 值 -
'i'/'I'：4 字节，通用整数（注意平台差异：Windows 上'i'和'l'都是 4 字节） -
'f'：4 字节 float；'d'：8 字节 double —— 别盲目用'd'，多数场景'f'精度够且省一半内存
错误示例：array('i', [1, 2, 3]) 存小正数 → 改用 array('B', [1, 2, 3]) 内存直接降为 1/4。
array不支持动态扩容，append性能不如list
array.append() 在内部缓冲区满时会 realloc，但不像 list 那样预留增长空间（list 扩容策略是 ~12.5% 预留），所以频繁 append 会导致多次拷贝，反而更慢。适用场景很明确：
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 数据长度已知 → 先用
array(typecode, iterable)一次性初始化 - 需动态追加但总量可控 → 预估上限，用
array(typecode, [0]) * N预分配，再按索引赋值 - 真要边读边存大量数据 → 考虑先用
list收集，最后转成array（array('f', my_list)）
别在循环里反复 append 百万级数据 —— 这时 list 反而更快也更省内存（因预分配策略更激进）。
和NumPy比？别混淆用途
array 模块不是 NumPy 替代品，它没广播、没向量化运算、不支持多维。它的价值是「轻量级紧凑存储」：适合配置缓存、序列化传输、嵌入式数据打包等场景。例如用 struct.pack 把 array('f', data) 直接转 bytes 发送，零拷贝；而 list 必须手动遍历打包，numpy.array 则依赖 C 扩展和额外依赖。
容易被忽略的一点：array 的切片返回新 array，但底层数据不共享 —— 修改切片不影响原数组，这点和 list 一致，但和 numpy.ndarray 的视图行为不同。需要共享内存时，得自己用 memoryview 包一层。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
