为何使用Arrow后端的Pandas Index、Series和DataFrame基于ChunkedArray？
根据Pandas官方文档，Series、Index或DataFrame的列可直接基于
pyarrow.ChunkedArray实现。我存在疑问：为何Series和Index不采用更契合的pyarrow.Array，DataFrame不采用pyarrow.Table作为底层结构？我难以理解ChunkedArray这类较复杂结构对Series和Index的适用意义，且未找到相关文档或源码注释解释该选择。
选择pyarrow.ChunkedArray作为底层实现，核心是为了适配Pandas日常操作的灵活性、性能与内存效率，具体原因如下：
增量操作的性能优势：Pandas中频繁会遇到数据追加、分片拼接的场景，
pyarrow.Array是不可变的单一连续数组，每次追加都需要重新分配内存并拷贝整个数组，开销极大；而ChunkedArray由多个独立的pyarrow.Array（chunk）组成，新增数据只需添加一个新chunk，无需修改原有数据，能大幅降低这类操作的时间与内存成本。适配分块数据读取场景：从Parquet、CSV等文件或数据库读取数据时，通常是分块读取的。直接用
ChunkedArray承接这些分块数据，无需额外合并为单一Array，既能减少合并操作的开销，也能保留数据读取的原始分片结构，方便后续按需处理单个chunk。统一内部操作逻辑：Series、Index和DataFrame列采用同一种底层结构，能让Pandas内部的排序、过滤、聚合等操作逻辑保持统一，避免为不同底层类型编写多套处理代码，降低维护复杂度。
内存友好性：对于超大规模数据集，单一
pyarrow.Array需要连续的内存空间，容易触发内存不足问题；ChunkedArray的分片存储可以利用零散的内存块，同时支持按需处理单个chunk，减少一次性内存占用。
至于为何不用pyarrow.Table作为DataFrame的底层，是因为pyarrow.Table是不可变的列式存储结构，而Pandas DataFrame需要支持动态增删列、修改列类型等灵活操作，由ChunkedArray组成的列集合比Table更适配这类动态需求。
内容的提问来源于stack exchange，提问作者user3022222
