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。

数组模块是一种如果你不知道为什么要使用它，你可能不需要的东西(请注意，我并不是试图以一种居高居高下的方式说!)。大多数情况下，数组模块用于与C代码进行交互。为了更直接地回答你关于性能的问题:

在某些用途上，数组比列表更有效。如果你需要分配一个你知道不会改变的数组，那么数组可以更快，使用更少的内存。GvR有一个优化的轶事，其中数组模块是赢家(长读，但值得一读)。

另一方面，列表比数组占用更多内存的部分原因是，当所有分配的元素都被使用时，python会分配一些额外的元素。这意味着向列表中添加项更快。所以，如果你打算添加项目，列表是最好的方法。

我只会在有特殊的优化需求或者需要与C代码交互(不能使用pyrex)时使用数组。

我的理解是数组更有效地存储(例如，作为连续的内存块与指向Python对象的指针相比)，但我不知道有任何性能上的好处。此外，使用数组必须存储相同类型的原语，而列表可以存储任何类型的原语。

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

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