array.array('i')比list省内存是因为list存储对象指针及int对象头（约28字节/个），而array('i')是连续C整数数组（仅4字节/个）；100万整数时list占10–12MB，array仅4MB。
用 array 替代 list 存整数，内存能压到 1/4 甚至更低——但前提是类型选对、数据纯整、不混用操作。
为什么 array.array('i') 比 list 节省内存？
Python 的 list 存的是对象指针，每个 int 对象本身还有额外开销（约 28 字节）；而 array.array('i') 是连续的 C 风格 int 数组，每个元素只占 4 字节（32 位有符号整数）。100 万个 int：
-
list约占 10–12 MB（含指针 + 对象头） -
array('i', ...)仅占 4 MB
注意：'i' 对应 C 的 int（平台相关，通常 4 字节），不是 Python 的任意精度 int。超范围会溢出，不报错，只截断。
怎么选对 typecode？常见整数场景对照
typecode 决定底层存储格式和取值范围，选错要么浪费空间，要么 silently 溢出：
立即学习“Python免费学习笔记（深入）”；
- 非负小整数（0–255）→ 用
'B'（unsigned char，1 字节） - 短整数（-128～127）→
'b'（signed char，1 字节） - 常规整数（-2³¹～2³¹−1）→
'i'（最常用，4 字节） - 大整数（需 64 位）→
'q'（signed long long，8 字节），别用'l'（平台依赖） - 千万别用
'L'存无符号大整数——Windows 上是 4 字节，Linux 是 8 字节，移植即崩
查当前平台大小：array.array('i').itemsize，别硬记。
哪些操作会让 array 失去内存优势？
array 是紧凑序列，但一旦触发“对象化”行为，就退化回 list 开销：
- 用
array[i]取单个元素 → 返回 Pythonint对象（没问题，只是取值） - 但用
map(lambda x: x * 2, arr)或列表推导式[x + 1 for x in arr]→ 全部转成int对象，新容器还是list，白省了 - 频繁
.append()小量数据 → 内存重分配比list更慢（array没有 over-allocation 策略） - 混存不同类型（比如塞进一个 float）→ 直接报
TypeError: array item must be integer
真要批量计算，优先用 numpy；若必须纯 stdlib，用 array.fromlist() 批量加载，避免逐个 append。
从文件读写整数时怎么保持低内存？
直接用 array.tofile() 和 array.fromfile()，绕过字符串解析和对象构造：
import array
# 读二进制 int 文件（如 100 万个 'i'）
with open('data.bin', 'rb') as f:
arr = array.array('i')
arr.fromfile(f, 1000000) # 一次读完，零中间对象
<h1>写同格式</h1><p>with open('out.bin', 'wb') as f:
arr.tofile(f)对比 json.load() 或 csv.reader()：后者每行都要 split、int()、建对象，内存峰值可能翻倍。binary + array 是海量整数 IO 的底线方案。
真正难的不是创建 array，而是全程守住「纯类型」和「避免隐式转对象」这两条线——一不留神，4 MB 的数组就在某个 list(map(...)) 里膨胀回 12 MB。
