Python数组初始化：生成器与列表推导的选择及性能疑问

嘿，这个问题问得相当到位，我来帮你拆解清楚～

首先先纠正一个之前的小误区：你代码里的b = array('H', (randint(1, 100) for _ in range(0, 10000000)))里的括号表达式不是元组，而是生成器表达式——元组推导式得写成tuple(...)，这个括号只是用来包裹生成器避免语法歧义的，这点你已经修正了，很好～

为什么列表推导版本更快？ #

你测试到的性能差异是完全一致且有底层原因的：

• 列表推导式是Python里优化非常成熟的语法，它的元素生成和收集是在底层C循环里完成的，几乎没有Python层面的调度开销，临时列表的内存也是大块连续分配的，效率很高。
• 生成器表达式则是通过迭代器协议逐个yield元素，每次传递元素都要经过迭代器的__next__调用，多了一层Python层面的调度开销，哪怕不需要保存整个列表，这层额外的调用成本还是存在的。

你拆分列表推导为两行后性能没变化，也印证了这一点：列表推导本身的创建开销已经很低，临时列表的内存占用（1000万个H类型元素仅约20MB）在现代机器上完全可以忽略，不会成为性能瓶颈。

该怎么选择？ #

分两种场景来看：

• 内存足够的常规场景：优先选列表推导式，速度更快，代码也直观。
• 内存极度受限的场景：比如要生成数亿级别的元素，临时列表会占用GB级内存，这时生成器表达式就更合适——它不会一次性把所有元素加载到内存，而是逐个生成传递给array，内存占用极低，代价就是牺牲一点速度。

有没有更优的初始化方式？ #

如果追求极致性能，纯Python的写法已经到顶了，推荐用numpy来生成随机数数组，底层是C实现的批量随机数生成，速度会比纯Python快好几倍：

import numpy as np
# 直接生成uint16类型的随机数数组，范围1-100
np_arr = np.random.randint(1, 101, size=10000000, dtype=np.uint16)
# 如果需要转换成标准库的array对象
from array import array
a = array('H', np_arr)

这种方式既没有临时列表的内存问题（numpy数组的内存效率比Python列表高得多），又能获得远超纯Python的速度。

内容的提问来源于stack exchange，提问作者njlarsson