应仅在数据全为同类型数值、长度稳定、需与C交互或内存严重受限时用array；否则优先用list，因其灵活通用。
array 模块不能直接替代 list，但对纯同类型数值、内存敏感或需与 C 交互的场景，它比 list 节省约 50–80% 内存，且访问更快；前提是放弃动态类型、嵌套结构和通用方法（如 append() 的任意对象支持）。
什么时候该用 array.array 而不是 list
只在同时满足以下条件时考虑切换：
- 数据全是同一数值类型（如全
int或全float），且你知道具体精度（'i'vs'l'、'f'vs'd'） - 数组长度稳定或增长可控（
array扩容仍是 O(n)，但无 list 那种 over-allocation 优化） - 需要传给 C 扩展、NumPy（通过
.buffer_info()或memoryview）、或写入二进制文件（.tofile()） - 明确观察到 list 占用内存过高（比如百万级
int存在明显 GC 压力或 RSS 上升）
常见误用：拿 array 存 [1, 2.5, 3] ——会报 TypeError: array() argument 1 must be a unicode character, not str，因为类型码必须显式指定且不可混用。
array 类型码选错的典型后果
类型码决定每个元素占多少字节和解释方式，选错轻则数据错乱，重则段错误（尤其用 .buffer_info() 传给 C 时）：
立即学习“Python免费学习笔记（深入）”；
-
'b'（有符号字节）存255→ 实际存为-1（溢出截断） -
'H'（无符号短整型）存负数 → 报OverflowError -
'f'（32 位 float）读写numpy.float64数据 → 精度丢失且字节错位 - 用
'd'（64 位 float）存大量小整数（如计数器）→ 浪费一倍内存，不如'L'（无符号长整型）
查表确认：运行 import array; help(array.array) 看 typecodes 文档，别凭记忆写 'i' 就以为是 int —— 它在 Windows 是 32 位，在 Linux x86_64 也是 32 位，但 'q' 才是平台无关的 64 位有符号整型。
从 list 迁移到 array 的实操要点
不是简单把 [] 换成 array('d', [])，关键在初始化和后续操作：
- 初始化必须带类型码和可迭代对象：
a = array.array('i', [1, 2, 3])，空数组写array.array('i')（不加[]） - 追加元素只能用同类型值：
a.append(4)✅，a.append(3.14)❌（报TypeError） - 切片返回新
array，但拼接需用+（a + b），不能用extend()传 list —— 必须是array实例 - 转回 list 开销不小：
list(a)是 O(n) 拷贝，如只需遍历，直接for x in a:即可（无需转） - 文件 I/O 更高效：
a.tofile(f)比pickle.dump(list(a), f)快且体积小，但格式无兼容性保障
示例对比：
import array
# list 版本：每个 int 是 PyObject，含引用计数+类型指针，约 28 字节/元素
l = [i for i in range(100000)]
<h1>array 版本：纯 4 字节有符号整数（'i'），共 ~400KB vs list 的 ~2.8MB</h1><p>a = array.array('i', range(100000))真正难的不是语法转换，而是判断「这个数值序列是否真的适合压成紧凑连续内存」——比如中间要频繁插入、或后续要 map 成字符串、或依赖 list 的 .index() / .count()，那 array 反而增加维护成本。
