array模块比list省内存，通常降至1/4～1/8；因list存PyObject指针而array是连续原始字节块，但仅适用于类型确定、批量读写的场景。
array模块比list省多少内存？先看实际差距
直接用 array 替换 list 处理纯数值时，内存占用通常能降到 1/4～1/8。比如存一千万个 int：用 list 约占 80MB，用 array('i')（32位有符号整数）约 40MB，用 array('b')（字节）存 0–255 范围数据只要 10MB。差距来自 list 存的是 PyObject 指针，而 array 是连续的原始字节块。
但别急着全换——array 不支持 append() 以外的动态操作，也不能存混合类型或嵌套结构。它只适合「类型确定、批量读写、不频繁插入删除」的场景，比如传感器采样序列、图像灰度值、日志时间戳数组。
选对 typecode 是省空间的关键
array 的压缩效果完全取决于你选的 typecode。选大了浪费空间，选小了会溢出或静默截断。常见组合：
-
'b'/'B'：单字节有/无符号整数（-128~127 或 0~255），适合状态码、像素值 -
'h'/'H'：2 字节整数（±32768 或 0~65535），适合音频样本、短整型 ID -
'i'/'I'：4 字节整数（平台相关，通常 ±21 亿），最常用，兼容性好 -
'f'：4 字节浮点（IEEE 754），比floatlist 省一半内存，精度够用时优先选 -
'd'：8 字节浮点，和 Pythonfloat一致，精度高但省不了多少空间
错误示范：array('i', [256, 512]) 没问题，但 array('b', [256, 512]) 会变成 array('b', [0, 0])——超出范围不报错，直接模 256 截断。
立即学习“Python免费学习笔记（深入）”；
从文件读写 array 要绕开 pickle，用二进制流
pickle 序列化 array 会失去内存优势，因为加了大量元信息。正确做法是用原生二进制 I/O：
import array
# 写入
a = array.array('f', [1.1, 2.2, 3.3])
with open('data.bin', 'wb') as f:
a.tofile(f)
<h1>读取（必须知道 typecode 和长度）</h1><p>b = array.array('f')
with open('data.bin', 'rb') as f:
b.fromfile(f, 3) # 显式指定元素个数如果不知道长度，得提前存一个 header（比如前 4 字节存 int 表示元素数），或者用 os.path.getsize() 除以 array.itemsize 推算。别用 fromfile(f, -1)——它不会自动停在 EOF，可能崩溃。
和 NumPy 比，什么时候该坚持用 array？
如果你只需要「紧凑存储 + 简单遍历/索引」，且不想引入 NumPy 这个重量依赖，array 就够用。但一旦要切片、广播、向量化计算，立刻卡住：a[::2] 返回新 array 但不支持 a[a > 0.5] 这种布尔索引；没有 .mean()、.reshape() 这类方法。
折中方案：用 array 做 IO 缓冲或中间传输，需要计算时转成 NumPy：np.frombuffer(a, dtype=np.float32)（零拷贝，极快）。注意 dtype 必须和 typecode 对应，比如 'f' → np.float32，'i' → np.int32。
真正容易被忽略的是边界校验——array 不做运行时类型检查，越界写入、长度误算、typecode 错配，往往到读取时才暴露为乱码或 NaN，很难 debug。
