array比list省内存的根本原因是其以连续内存块直接存储同类型原始数值，无Python对象头和指针开销；而list存储指向int等PyObject的指针，每个元素额外占8字节，且每个int对象本身约28字节。
array模块比list省内存的根本原因是什么？
因为array只存同类型原始数值，不存Python对象头和引用指针；而list每个元素都是指向PyObject*的指针，哪怕存一个int也要约28字节（CPython 3.12）。比如存一千万个int，用array('i')大概占40MB，用list轻松破200MB。
选对typecode才能真正省空间
typecode错一个，内存反而可能更大。比如本想存0–255的灰度值，用了'i'（4字节有符号整型），实际该用'B'（1字节无符号字节）——空间直接差4倍。
-
'b'/'B'：1字节，适合字节流、像素值 -
'h'/'H'：2字节，适合音频采样、小范围整数 -
'i'/'I'：4字节，通用整数（注意平台差异：Windows下'i'是4字节，Linux/macOS也是，但'l'在64位系统可能是8字节） -
'f'/'d'：分别4字节/8字节浮点，别用float对象数组替代
错误示例：array('i', [256]) 不报错，但256超出int32有符号范围（−2³¹~2³¹−1），会静默溢出成 −256 —— 这类越界不会抛异常，得自己校验。
不能直接用array做数学运算，得配合其他工具
array本身不支持+、*、广播、向量化函数。想算均值或逐元素加法，硬写循环反而慢，还失去内存优势。
立即学习“Python免费学习笔记（深入）”；
- 简单聚合（sum/max/min）：用内置
sum()或max()，它们对array有优化，比转list快 - 批量计算：转
numpy.ndarray（用np.array(arr, dtype=...)或np.frombuffer(arr, dtype=...)），避免拷贝（后者更省） - 文件IO：用
.tofile()/.fromfile()直接二进制读写，比pickle或JSON快且小得多
陷阱：array('f', [1.1, 2.2]) + array('f', [3.3]) 报TypeError: unsupported operand type(s) —— 拼接得用+=或extend()，不是+。
何时不该用array？
当数据结构需要频繁插入/删除中间元素、混合类型、或依赖list特有方法（如.sort(key=...)、.index()带条件）时，array反而拖慢开发和运行速度。
- append()快，insert(0, x)或pop(50000)极慢（O(n)移动内存）
- 没有
.count()、.remove()等方法，得自己遍历 - 与C扩展交互时才真正发挥优势；纯Python逻辑中，省下的内存常被额外的类型转换开销抵消
最易忽略的一点：array对象本身也有开销（约56字节），存几千个数时，这点固定成本占比不小——别为了省几KB去替换小列表。
