array模块比list省内存的根本原因是其使用连续内存块存储原始数值，不存python对象头和指针；而list存储pyobject*指针，每个元素额外约8字节开销。
array模块比list省内存的根本原因是什么
因为 array.array 是连续内存块，只存原始数值（如 int、float），不存 Python 对象头和引用指针；而 list 存的是指向 PyObject* 的指针，每个元素额外开销约 8 字节（64 位系统），还带引用计数和类型信息。
举个例子：100 万个 int，用 list 约占 8MB+，用 array('i')（32 位有符号整数）仅约 4MB——省掉一半不是靠压缩，是绕过了对象封装。
怎么选合适的 typecode？常见错误有哪些
typecode 决定底层 C 类型，直接影响内存大小和取值范围。选错会静默截断或报 OverflowError，不是类型错误，容易漏掉。
-
'b'/'B'：8 位有/无符号整数（-128~127 / 0~255），适合像素值、字节流 -
'h'/'H'：16 位（-32768~32767 / 0~65535），适合音频采样、小范围计数 -
'i'/'I'：通常为 32 位（平台相关），比intlist 省空间且够用 -
'f'/'d'：32/64 位浮点，'f'比list[float]省一半内存，但精度下降
⚠️ 常见坑：array('i', [1, 2, 3.5]) 会把 3.5 截断成 3，不报错；array('b', [300]) 才报 OverflowError。
array不能直接替代list的三个关键限制
array.array 不是 list 的轻量版，它没实现很多常用操作，强行混用会出 runtime 错误或性能倒退。
- 不支持存储非数值类型：不能放
None、字符串、嵌套array，连array('i', [1, None])都会报TypeError - 没有
.append()的 amortized O(1) 性能：每次.append()可能触发内存重分配，频繁追加不如先预估长度用array('i', [0]) * n - 切片返回新
array，但不支持步长以外的高级索引（如布尔索引、花式索引），也不能直接传给numpy函数——得先转numpy.array(arr)
什么时候该用array，什么时候该换numpy
纯内存节省 + 简单一维数值序列 → array 足够，标准库、无依赖。
需要计算（求和、过滤、广播）、多维、或和生态（pandas/scipy）交互 → 直接上 numpy.array，哪怕初始内存略高，它的视图机制和向量化操作反而更省总体资源。
一个实际判断点：如果代码里出现了 for i in range(len(arr)): 或频繁 arr[i] += x，说明你正在用 array 做它不擅长的事——这时候换 numpy 通常更干净。
复杂点在于：typecode 一旦定下就不能改，扩容要新建；而 numpy 的 dtype 更灵活，还能自动提升（如 int32 + float64 → float64）。别为了省几 MB 内存，把自己锁死在狭窄的类型通道里。
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！
