Quais são as diferenças entre arrays e listas em Python?

As listas (list) em Python são coleções ordenadas e mutáveis de elementos. Podem conter elementos de diferentes tipos de dados. São amplamente utilizadas para a maioria das tarefas.

Os arrays em Python geralmente referem-se às estruturas da biblioteca array ou numpy.

array.array:

• Destinados a armazenar elementos do mesmo tipo (números).
• Mais compactos em memória do que listas, pois armazenam os elementos de forma contígua.
• Suportam algumas operações e conversões de baixo nível (por exemplo, para bytes).

import array

# Criação de um array de inteiros
arr = array.array('i', [1, 2, 3, 4, 5])
print(arr) # array('i', [1, 2, 3, 4, 5])

# Tentar adicionar um elemento de outro tipo causará um erro
# arr.append("olá") # TypeError: é necessário um inteiro (obtido str)

numpy.ndarray:

• A estrutura principal para cálculos científicos.
• Também destinada a armazenar elementos do mesmo tipo (geralmente números), mas pode ser multidimensional.
• Oferece alto desempenho graças a operações vetorizadas.
• Possui um amplo conjunto de funções matemáticas e métodos para trabalhar com dados.

import numpy as np

# Criação de um array NumPy
np_arr = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
print(np_arr) # [1. 2. 3. 4. 5.]

# Operação vetorizada
result = np_arr * 2
print(result) # [2. 4. 6. 8. 10.]

Diferenças principais:

Característica	Lista (list)	array.array	numpy.ndarray
Tipo de dados	Heterogéneos	Homogéneos (por dtype)	Homogéneos (por dtype)
Mutabilidade	Mutável	Mutável	Mutável
Desempenho	Menor para operações numéricas	Maior que listas	Máximo para operações vetorizadas
Utilização	Uso geral	Armazenamento eficiente de números	Cálculos científicos, análise de dados
Dimensão	Unidimensional	Unidimensional	Multidimensional

Assim, a principal diferença reside na homogeneidade dos elementos (para arrays) e na sua especialização: array para memória, numpy para cálculos, enquanto as listas são uma ferramenta versátil.