np.array() 和 array.array() 本质不同：前者是支持多维、广播、向量化运算的科学计算数组，后者是仅支持一维、无运算能力的轻量级同类型序列容器。
np.array() 和 array.array() 都不是 list，但根本不是一回事
别被名字误导：array.array() 是 Python 标准库里的轻量级同类型序列容器，和 np.array() 没有继承或兼容关系。它不支持多维、广播、向量化运算，也不是为科学计算设计的。你用 array.array('d', [1.0, 2.0]) 得到的是一个一维、固定类型的 C 风格数组，底层是紧凑内存块，但功能极其有限。
初始化和类型约束差异极大
array.array() 必须显式指定类型码（如 'i' 表示有符号 int，'d' 表示 double），且所有元素会被强制转成该类型；一旦创建，类型不可更改。而 np.array() 虽也倾向统一类型，但会自动推断（比如 np.array([1, 2.0]) → float64），也可显式传入 dtype 参数控制，且支持更丰富的类型（如 complex128、结构化 dtype）。
-
array.array('i', [1, 2, 3])合法；array.array('i', [1, 2.5])直接报OverflowError -
np.array([1, 2.5])默认转成float64；np.array([1, 2.5], dtype='i4')会截断为[1, 2]，不报错但静默丢失精度
运算能力：一个能算，一个只能存
array.array() 几乎没有内置运算方法——没有 +、*、.sum()，连基本的逐元素加法都要靠循环或 map() 实现。而 np.array() 支持完整的元素级运算符（+、-、/）、聚合函数（np.sum()、np.mean()）、广播和矩阵操作（@、np.dot()）。
-
a = array.array('d', [1,2]); b = array.array('d', [3,4])→a + b是拼接，不是加法 -
a = np.array([1,2]); b = np.array([3,4])→a + b得[4, 6]，a @ b得点积11 -
array.array甚至没有形状概念：len(a)可用，但a.shape或a.ndim属性不存在
什么时候该用 array.array()？
只在极少数场景下值得考虑：纯数值、一维、内存极度敏感、且完全不需要计算逻辑。比如从二进制文件读取大量 float64 数据做缓存，或与 C 扩展交互时减少中间拷贝。日常数据处理、数学运算、机器学习 pipeline 中，array.array() 的存在感几乎为零——它既不如 list 灵活，也不如 np.array() 强大。
立即学习“Python免费学习笔记（深入）”；
真正容易被忽略的点是：很多人看到“array”就下意识觉得比 list “更底层更快”，却没意识到 array.array() 的 API 贫瘠到无法支撑任何实际数值工作流；而 np.array() 的性能优势只在批量运算时兑现，单个元素访问反而略慢于 list —— 别为了“听起来快”就提前切换，先看清楚你到底要做什么操作。
