存1亿布尔值，list[bool]占950mb，bitarray仅12.5mb，省76倍；因list中每个bool是28字节对象，bitarray每8个值才占1字节。
bitarray比list(bool)省多少内存？
直接结论：存1亿个布尔值，list[bool]约占用950MB，bitarray仅需12.5MB——差76倍。根本原因在于list里每个True/False是Python对象，至少28字节；而bitarray真正在操作位（bit），8个值才占1字节。
但别急着全量替换：如果只是存几千个布尔值，用bitarray反而因对象开销更重；它真正起效的临界点通常在10⁵以上。
安装与基础初始化要注意什么？
bitarray不是标准库，必须pip install bitarray。安装后不能用from bitarray import *——这会覆盖内置bytes等类型，引发隐晦错误。推荐显式导入：
from bitarray import bitarray
初始化时注意默认值：bitarray(1000000)创建的是未初始化的位数组（内容为随机内存值），必须显式调用.setall(0)或.setall(1)，否则读取结果不可预测。常见错误是以为构造即清零，结果调试半天发现“假阳性”。
-
bitarray(1000000, endian='little')：指定字节序（默认'big'），跨平台序列化时必须显式统一 - 不支持
bitarray([True, False, True])这种列表推导式初始化，得用bitarray('101')或frombytes()
如何高效批量设置/读取位？
逐个索引赋值（如b[i] = 1）在大数组上极慢——每次触发Python层边界检查和位运算。真实场景应走批量路径：
- 写入：用
.pack(bytes_obj)把已有的bytes转为位，或用.frombytes()（注意字节对齐） - 读取：用
.tobytes()转回字节再批量处理，比循环b[i]快两个数量级 - 切片赋值有效：
b[1000:2000] = bitarray('1' * 1000)，但右侧必须是bitarray实例，不能是字符串或列表
特别注意：b[::2] = 1这类步进切片不被支持，会抛ValueError。
与numpy.bool_对比有什么实际陷阱？
有人想用numpy.array(..., dtype=bool)替代，但这是错的：NumPy的bool_底层仍是每元素1字节（不是1位），内存省不了；且布尔数组索引、广播等操作会产生临时副本，内存峰值可能更高。
真正要对比的是numpy.packbits()——它能把uint8数组压缩成位，但要求输入长度是8的倍数，且解压后仍是uint8，无法直接当布尔索引用。而bitarray支持任意长度、原生布尔语义、原地修改，这才是海量布尔标志位的正解。
唯一容易被忽略的点：bitarray不支持__array__()协议，没法直接喂给NumPy函数。需要先.tobytes()再转，中间多一次拷贝——如果算法重度依赖NumPy向量化，这点开销得算进去。
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！
