array模块比list省内存近10倍，如一千万个int：list约380MB，array('i')仅约40MB；因array是紧凑C数组，不存对象头、指针和类型信息，但要求类型明确、不支持嵌套或None。
array模块比list省内存多少？array 本质是紧凑的C风格数值数组，不存Python对象头、引用指针和类型信息。存一千万个 int，list 占约380MB，array('i') 只占约40MB——差近10倍。这不是理论值，实测稳定。关键在类型必须明确：'i'（32位有符号整）、'd'（64位浮点）等，不能混存。
注意：array 不支持嵌套或混合类型，也不能存 None 或自定义对象。一旦需要动态类型或复杂结构，就得切回 list 或用 numpy。
怎么选合适的typecode？
选错 typecode 是最常见内存浪费源。比如用 'd' 存温度整数（如25、36），每个值占8字节；改用 'b'（带符号字节）或 'H'（无符号16位）可能只占1或2字节。
-
'b' / 'B'：适合 -128~127 或 0~255 的计数、状态码
-
'h' / 'H'：适合 -32768~32767 或 0~65535 的传感器原始值、ID偏移量
-
'i'：多数整数场景默认选择（但确认你的值真不超过 ±2³¹−1）
-
'f'：单精度浮点，比 'd' 节省一半空间，精度损失需评估（如坐标、权重可接受）
'b' / 'B'：适合 -128~127 或 0~255 的计数、状态码'h' / 'H'：适合 -32768~32767 或 0~65535 的传感器原始值、ID偏移量'i'：多数整数场景默认选择（但确认你的值真不超过 ±2³¹−1）'f'：单精度浮点，比 'd' 节省一半空间，精度损失需评估（如坐标、权重可接受）别凭感觉选 'd' 图省事——它会默默吃掉双倍内存，且计算未必更快。
array不支持append()以外的增删操作？array 没有 insert()、pop(0)、remove() 等操作。所有「中间插入」或「头部删除」都会触发整体内存搬移，O(n) 时间且易引发意外扩容。
真实场景建议：
- 数据一次性写入后只读？直接用
array.fromlist()或构造时传入序列 - 需频繁尾部追加？
append()安全，内部做了类似list的倍增策略 - 要高效头部/随机插入？别硬扛——要么预分配足够大空间（
array('i', [0]) * N），要么换collections.deque（仅限尾/首）或numpy.ndarray（支持向量化插入但更重）
尤其警惕 += 拼接两个 array：它实际调用 extend()，但若目标 array 容量不足，会重新 malloc + memcpy，比预估更耗时。
和numpy.array相比，什么时候该坚持用array？array 零依赖、启动快、序列化轻（bytes(array) 直出二进制），适合做IO缓冲区、RPC payload、配置缓存。而 numpy.array 带完整数学运算、广播、视图机制，但启动慢、依赖重、序列化需额外处理（如 np.save）。
典型取舍点：
- 只存/读/传原始数值流（如日志采样点、音频PCM帧）→
array - 要算均值、FFT、reshape、与pandas交互 → 直接上
numpy - 已有大量
list数据需临时降内存 → 先试array('d', my_list)，失败看是否含非数值或超范围
别为了“看起来更专业”而引入 numpy；也别因“听说 array 快”就把它当万能 list 替代品——它的优势边界非常清晰：纯数值、固定类型、顺序访问、低依赖场景。
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！
