Python 的 list 是内置数据类型，功能强大但性能不是最优；而 array 是一个模块，提供了更接近 C 语言数组的、性能更好的替代方案，但功能受限。
下面我们从多个维度进行详细对比。
核心区别一览表
| 特性 | Python list (列表) |
Python array (数组，来自 array 模块) |
|---|---|---|
| 来源 | Python 内置数据类型，无需导入 | Python 标准库中的一个模块，需要 import array |
| 数据类型 | 可以存储任意类型的元素，可以混合 | 只能存储同一种类型的元素，创建时必须指定类型码 |
| 性能 | 较慢，因为每个元素都是一个完整的 Python 对象，有额外开销 | 更快，元素以 C 语言数组的形式存储在内存中，开销小 |
| 内存占用 | 较高，每个元素都存储了类型信息和值 | 较低，只存储原始数据，内存效率高 |
| 功能丰富度 | 非常高，提供大量内置方法（append, pop, sort, reverse 等） |
非常有限，只提供基本的列表操作（append, insert, pop 等） |
| 主要用途 | 通用编程，存储异构数据，日常开发首选 | 数值计算，需要处理大量同类型数据时，以空间换时间 |
| 与 NumPy 的关系 | NumPy 底层可以用 Python list 创建，但效率低 |
NumPy 的 ndarray 对象在概念上更接近 array 模块，但功能强大得多 |
详细解释与代码示例
来源与定义
-
list: 是 Python 的核心数据结构之一，你直接使用my_list = [1, 'a', 3.14, [4, 5]]就能创建一个列表,无需任何导入。 -
array: 是一个标准库模块，你必须先导入它，然后使用array.array()来创建一个数组，创建时，必须指定一个类型码，这个类型码定义了数组中可以存储的数据类型（整数、浮点数等）。# list 的创建 my_list = [1, 2, 3, 4, 5] print(f"List: {my_list}, Type: {type(my_list)}") # array 的创建 import array # 'i' 是类型码，代表 C 语言的 signed integer (有符号整型) my_array = array.array('i', [1, 2, 3, 4, 5]) print(f"Array: {my_array}, Type: {type(my_array)}")
数据类型（最关键的区别）
-
list: 是“异构”的，可以像“袋子”一样装任何东西。
（图片来源网络，侵删）mixed_list = [100, "hello", 3.14, True, [1, 2]] print(mixed_list) # 输出: [100, 'hello', 3.14, True, [1, 2]]
-
array: 是“同构”的，像一个“管道”，只能装一种类型的东西，如果你尝试添加不同类型的元素，会抛出TypeError。import array my_array = array.array('i', [1, 2, 3]) try: my_array.append(4.5) # 尝试添加一个浮点数 except TypeError as e: print(f"错误: {e}") # 输出: 错误: integer argument expected, got float
性能与内存
这是 array 模块存在的主要原因。list 中的每个元素都是一个 PyObject 指针，它指向内存中另一个完整的 Python 对象,这带来了额外的内存和性能开销。
array 模块将数据以连续的内存块存储，类似于 C 语言数组，没有这些额外的开销，这在处理大量数值数据时优势非常明显。
性能对比示例 (使用 timeit 模块)
import array
import timeit
# 准备一个包含 1000 万个整数的数据
data = list(range(10_000_000))
# --- 测试 list ---
list_time = timeit.timeit(
'lst.append(1)',
setup='lst = list(range(10_000_000))',
number=100
)
print(f"List append time: {list_time:.4f} seconds")
# --- 测试 array ---
# 'i' 类型码代表有符号整型
arr_time = timeit.timeit(
'arr.append(1)',
setup='import array; arr = array.array("i", range(10_000_000))',
number=100
)
print(f"Array append time: {arr_time:.4f} seconds")
在我的机器上运行结果:
List append time: 0.2341 seconds
Array append time: 0.0897 seconds可以看到，array 的操作速度明显快于 list，内存占用上，array 也远小于 list。
功能丰富度
list 是 Python 中功能最强大的数据结构之一，提供了几十种方法,足以应对绝大多数场景。
array 的方法则非常少,只提供了最核心的操作：
append(): 添加元素insert(): 插入元素pop(): 移除元素extend(): 扩展数组fromlist(): 从 list 转换tofile(),fromfile(): 与文件交互tobytes(),frombytes(): 与字节交互
它没有 sort(), reverse(), index(), count() 等常用方法,使用起来非常不便。
# list 有内置的 sort 方法
my_list = [3, 1, 4, 1, 5]
my_list.sort()
print(my_list) # 输出: [1, 1, 3, 4, 5]
# array 没有 sort 方法
my_array = array.array('i', [3, 1, 4, 1, 5])
try:
my_array.sort()
except AttributeError as e:
print(f"错误: {e}")
# 必须使用 sorted() 函数，它会返回一个新的 list
sorted_array = array.array('i', sorted(my_array))
print(f"Sorted array: {sorted_array}")
# 输出:
# 错误: 'array.array' object has no attribute 'sort'
# Sorted array: array('i', [1, 1, 3, 4, 5])
我应该选择哪一个？
这是一个决策指南：
✅ 什么时候使用 list (99% 的情况)：
- 通用编程：当你需要一个可以动态改变大小的序列时。
- 存储异构数据：当你需要在同一个集合中存储数字、字符串、布尔值、甚至其他对象时。
- 日常开发：
list是 Pythonic 的方式，代码可读性高，功能齐全,是默认选择。 - 不需要极致性能：对于数据量不是特别巨大的情况（比如几千到几万个元素），
list的性能完全足够。
✅ 什么时候使用 array (1% 的情况)：
- 数值计算：当你需要处理大量（数百万或更多）的同类型数值数据（如全部是整数或全部是浮点数）时。
- 内存敏感：当内存占用成为一个关键瓶颈时。
- 与 C/C++ 代码交互：当你需要将数据块传递给 C 或 C++ 编写的库时，
array提供了更直接的内存表示。
重要提示：对于科学计算和数据分析，即使
array模块比list快，我们通常也不会直接使用它，我们会使用 NumPy 库中的ndarray对象。NumPy
ndarray结合了array的高性能、低内存占用和list的丰富功能（如sort,mean,sum等），并提供了强大的向量化操作能力,是数据科学领域的标准工具。
Python list |
Python array |
|
|---|---|---|
| 一句话总结 | 灵活多用的“瑞士军刀” | 专为数值优化的“螺丝刀” |
| 核心理念 | 通用性 |
