array比list省内存是因为list存储PyObject指针及对象开销(引用计数、类型信息等),而array是紧凑C数组,只存原始值;例如一千万个int,list约300MB,array('i')仅约40MB。

直接用 array.array 替代 list 存纯数字(如 int、float)时,内存通常能压到 1/4~1/8,但前提是数据类型明确、无混合类型、不需对象语义。
为什么 array.array 比 list 更省内存?
list 存的是 PyObject* 指针数组,每个元素都要带引用计数、类型信息、GC 标记等开销;而 array.array 是紧凑的 C 风格连续内存块,只存原始值。比如存一千万个 int:
-
list[int]:每个int对象约 28 字节(CPython 3.12),加上指针数组本身,总内存轻松破 300MB -
array('i', ...):每个int占 4 字节,总内存 ≈ 40MB - 如果用
'b'(signed char)存小整数,还能再砍到 10MB
选对 typecode 是关键,别默认用 'i'
typecode 决定单元素字节数和取值范围,选大了浪费空间,选小了会溢出或静默截断:
-
'b'/'B':1 字节,适合 -128~127 或 0~255 的计数类字段 -
'h'/'H':2 字节,适合音频采样、短 ID -
'i'/'I':4 字节,兼容大多数 Pythonint(但注意:32 位有符号上限是 2147483647) -
'q'/'Q':8 字节,需要大整数且确定不会超sys.maxsize时才用 -
'f'/'d':对应 Cfloat/double,精度和float/float64一致,但不支持 NaN/Inf 的 Python 级行为
错误示例:array('i', [2**32]) 会静默截断为 0 —— 不报错,但数据已毁。
将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。
立即学习“Python免费学习笔记(深入)”;
哪些操作会让 array 失去内存优势?
一旦触发隐式类型提升或对象化,就退回高开销路径:
- 混入非同构值:
a.append(3.14)(a是array('i'))→ 报TypeError,但若先转成list再操作就全完了 - 切片后赋值给普通变量:
sub = a[100:200]还是array,但sub_list = list(sub)立刻膨胀 - 用
numpy做计算前没做np.frombuffer(a, dtype=np.int32),而是np.array(a)→ 先建 Python int 对象再转,白忙活 - 频繁调用
a.index(x)或a.count(x):底层是线性扫描,不如用collections.Counter预处理
和 numpy.ndarray 怎么选?
如果只需要存储+顺序访问+简单聚合(sum/max/min),array 足够轻量、无依赖、启动快;一旦涉及向量化计算、广播、视图切片、dtype 转换,立刻切到 numpy:
-
array不支持a * 2(会报TypeError),np.array(a) * 2可以 -
array的.tofile()直接写二进制,适合日志归档;numpy需要.tofile()或np.save() - 跨进程共享:用
array+mmap更可控;numpy需额外封装
真正容易被忽略的是边界检查——array 在创建时不校验元素是否越界(比如 array('b', [300]) 存进去就是 b'\x2c'),必须在写入前自己做 value & 0xFF 或 struct.pack 校验,否则后期 debug 成本远高于省下的内存。

















