对于几乎所有情况，普通列表都是正确的选择。arrays模块更像是C数组上的一个薄包装器，它为您提供了一种强类型容器(参见文档)，可以访问更多类似C的类型，如有符号/无符号short或double，这些都不是内置类型的一部分。我会说，只有在你真的需要它的时候才使用数组模块，在所有其他情况下，坚持使用列表。

Array只能用于特定类型，而list可以用于任何对象。

数组也只能有一种类型的数据，而列表可以有各种对象类型的条目。

数组对于某些数值计算也更有效。

对于几乎所有情况，普通列表都是正确的选择。arrays模块更像是C数组上的一个薄包装器，它为您提供了一种强类型容器(参见文档)，可以访问更多类似C的类型，如有符号/无符号short或double，这些都不是内置类型的一部分。我会说，只有在你真的需要它的时候才使用数组模块，在所有其他情况下，坚持使用列表。

在性能方面，这里有一些比较python列表、数组和numpy数组的数字(都是2017年Macbook Pro上的python 3.7)。 最终的结果是python列表对于这些操作是最快的。

# Python list with append()
np.mean(timeit.repeat(setup="a = []", stmt="a.append(1.0)", number=1000, repeat=5000)) * 1000
# 0.054 +/- 0.025 msec

# Python array with append()
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a.append(1.0)", number=1000, repeat=5000)) * 1000
# 0.104 +/- 0.025 msec

# Numpy array with append()
np.mean(timeit.repeat(setup="import numpy as np; a = np.array([])", stmt="np.append(a, [1.0])", number=1000, repeat=5000)) * 1000
# 5.183 +/- 0.950 msec

# Python list using +=
np.mean(timeit.repeat(setup="a = []", stmt="a += [1.0]", number=1000, repeat=5000)) * 1000
# 0.062 +/- 0.021 msec

# Python array using += 
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a += array.array('f', [1.0]) ", number=1000, repeat=5000)) * 1000
# 0.289 +/- 0.043 msec

# Python list using extend()
np.mean(timeit.repeat(setup="a = []", stmt="a.extend([1.0])", number=1000, repeat=5000)) * 1000
# 0.083 +/- 0.020 msec

# Python array using extend()
np.mean(timeit.repeat(setup="import array; a = array.array('f')", stmt="a.extend([1.0]) ", number=1000, repeat=5000)) * 1000
# 0.169 +/- 0.034

如果要使用数组，请考虑numpy或scipy包，它们为数组提供了更大的灵活性。

这是一种交易!

各有优点:

list

灵活的 可以是异质的

数组(例如:numpy数组)

统一值数组 均匀 紧凑(尺寸) 高效(功能和速度) 方便