array比list省内存的关键在于存储原始c类型值而非pyobject指针，如一千万个int：list约120mb，array('i')仅约40mb；但牺牲通用性，不支持嵌套、中间插入删除慢、无向量化运算。
array模块比list省内存的关键在哪？
array 存的是原始C类型值，不存Python对象头和引用指针；list 每个元素都是PyObject指针，哪怕只存一个int也至少占8字节（64位系统）加对象开销。比如存一千万个int：用list可能吃掉~120MB，用array('i')大概只要40MB。
- 类型码必须严格匹配数据范围：
'i'是带符号32位整数（-2³¹ ~ 2³¹−1），超限会报OverflowError - 不支持嵌套或混合类型，
array('d', [1, 2.5, 3])可以，但array('i', [1, 2.5])直接抛TypeError - 初始化时别用
array('f', range(1000000))——range生成的是int，转float要逐个强转，慢且临时对象多；改用array('f', (float(x) for x in range(1000000)))或numpy.fromiter（如果已引入NumPy）
哪些场景下用array反而更慢或更麻烦？
内存省了，但牺牲了通用性和部分操作效率。不是所有“数值多”都该换array。
- 需要频繁在中间插入/删除元素？
array.insert()和array.pop(i)是O(n)，比list还慢，因为底层要移动连续内存块 - 要做数学运算（如逐元素加、乘、sin）？
array没内置向量化能力，得写循环，而numpy一行搞定且底层优化过 - 数据来源是JSON或CSV字符串？别先转
list再塞进array，直接用array.frombytes()配合struct.unpack解析二进制流更快
如何安全地从文件读取大量数值到array？
避免一次性加载全文本再split+map，容易OOM。尤其处理GB级二进制数值文件时：
- 确认文件是纯二进制（如float32序列）：用
open('data.bin', 'rb')读，然后a = array('f'); a.frombytes(chunk)分块加载 - 如果是文本格式（如每行一个数字），别用
readlines()：改用生成器+array.fromlist()with open('data.txt') as f: nums = (float(line.strip()) for line in f) a = array('d', nums) # 注意这里'd'对应float64 - 注意字节序：
array('f')默认小端，如果文件是大端，得先用struct.unpack('>f', chunk[i:i+4])转换
和numpy.ndarray比，array模块的定位是什么？
array是轻量级替代品，适合“只存、少算、求省内存”的场景；numpy是重型计算引擎，自带广播、索引、ufunc。
- 没有依赖要求：
array是标准库，numpy得pip install -
array可直接被struct.pack()、socket.send()等接受，无需转换；numpy.ndarray要调.tobytes() - 但
array不能切片返回视图（slice返回新array），也不能像ndarray[::2]那样步进索引
真正省内存的前提是：你清楚数据类型、不频繁修改结构、不需要复杂数学操作。否则省下的内存很快被手写循环和类型检查吃掉。
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！
