如果你正在创建一个1d数组，你可以将它实现为一个列表，或者使用标准库中的'array'模块。我一直用链表来表示一维数组。
我想要使用数组模块的原因或情况是什么?
它是为了性能和内存优化，还是我遗漏了一些明显的东西?
当前回答
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。
其他回答
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
numpy array和list之间的一个重要区别是，数组切片是原始数组的视图。这意味着数据不会被复制，对视图的任何修改都将反映在源数组中。
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
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。
