Python 布尔数组选型：list、numpy.bool_、bitarray、RoaringBitmap、bool-hybrid-array 各管一段

中立对比 · 全部内存数字为独立子进程实测（口径见文末），不是拍脑袋

先给结论

场景	更合适的方案	一句话理由
密集定长、纯位运算、只要点查/统计	bitarray	C 扩展、1 bit/元素、位运算快
密集定长、要向量化计算	numpy.bool_	生态好、1 字节/元素、运算快
极稀疏 + 只关心"哪些位是 True" + 交并差	RoaringBitmap (pyroaring)	集合语义、压缩容器、内存最小
极稀疏 + 要 arri / 动态增删 / 混合结构自动调节	bool-hybrid-array	密集位图前缀+稀疏异常下标后缀、API 像 list
极稀疏 + 数据形态会在"全同/极稀/较密"间波动	bool-hybrid-array	全同形态自动退化到最小账本
数据量小、不敏感	listbool	简单，但 8 字节/引用起步

逐个拆

listbool

Python 的 list 存的是指向单例 True/False 的引用，64 位机器上每个元素 8 字节。1000 万布尔数组自身实测约 76MB（进程总内存约 94MB）。它不是"每个 bool 28 字节"，但对百万级以上的标记位来说，8 字节/个依然太贵。适合数据量小、图省事的场景。

numpy.bool_

每元素 1 字节，1000 万数组自身约 10MB。优点：向量化运算、生态成熟。短板：定长（动态增删要全量拷贝）、无稀疏概念，极稀疏时 99% 空间都在存 False。

bitarray

每元素 1 bit，1000 万数组自身约 1.3MB ，1 亿约 12MB。密集场景内存效率接近理论下限（1 亿 ≈ 12.5MB），C 扩展、位运算快。短板：固定位图，不自动稀疏压缩------99% 是 False 也占满位空间；动态增删、按位置赋值不如 list 顺手。

RoaringBitmap（pyroaring）

工业级压缩位图：按高 16 位分容器，每个容器在 ArrayContainer（稀疏存下标）/ BitmapContainer（密集位图）/ RunContainer（连续段 RLE）间自适应。极稀疏时内存量级最低，交/并/差/基数统计极快，Lucene、ClickHouse 等都在用。注意它是集合语义 ：只关心"哪些位置是 True"，不做 arr[i] 下标赋值、没有 append 这类 list 语义。用错场景会觉得"这库怎么没有下标"。

bool-hybrid-array

PyPI 当前版 9.13.11 （作者 BKsell/蔡靖杰）。核心是"密集位图前缀 + 稀疏异常下标后缀"的单一混合结构 （源码里用一个 split_index 把数组切成两段，写入时自动调节分界），我逐项实测验证：

• 密集侧（前缀） ：位打包 np.zeros(ceil(N/8), dtype=np.uint8) + ctypes 按位读写------实测 1000 万、60% True 的混合数据，库内账本 1,250,135 字节（≈ceil(1e7/8)），1 亿即 12.5MB 理论下限；
• 稀疏侧（后缀） ：只存少数派异常下标，array.array('I') 升序 + bisect 查找------默认模式默认值全 True、表里存 False 下标；is_sparse=True 模式默认值全 False、表里存 True 下标。实测 1000 万、1% True（10 万个 True）库内账本 400,132 字节，约 4 字节/个，内存随"异常项"数量走、与总长度解耦，无 RLE；
• 全同塌缩（观察结果） ：全 False / 全 True 时默认极性覆盖全区间、稀疏表为空，账本退化到 136 字节（基座 96B + 空表 40B），与规模无关------这是混合模型的天然退化分支，不是独立的常量模式。

实测（独立子进程，VmRSS 差值 = 数组自身占用；bha 附库内 memory_usage() 账本；3 次取中位）：

数据形态	规模	数组自身占用
bool-hybrid-array 密集混合（60% True）	1000 万	库内≈1.25MB（ceil(1e7/8)）
bool-hybrid-array 稀疏（1% True）	1000 万	库内≈400KB（≈4B/True）
bool-hybrid-array 全 True 塌缩	1000 万	库内 136B
bool-hybrid-array 全 False 塌缩	1000 万	库内 136B

API 贴近 list：

pip install bool-hybrid-array   # 硬依赖 numpy>=1.19

from bool_hybrid_array import BoolHybridArr, BoolHybridArray
arr = BoolHybridArr([True, False, True])   # 便捷构造子类，继承 BoolHybridArray
arr.append(True)
arr[3] = False

类名关系：BoolHybridArray 是底层主类，BoolHybridArr 是它的便捷构造子类（直接用可迭代对象建数组），另有 TruesArray/FalsesArray 视图。序列化：旧版 .bha（Create_BHA/Ask_BHA），新版 .bhax（BHAX_Descriptor，9.12.0 引入），新版带格式描述头、自动识别密集/稀疏。

构造细节提醒：BoolHybridArray(size=N) 的初始值是全 True （全 True 退化形态）；需要全 False 初始时用 is_sparse=True 或从 False 生成器构造。

许可证分期（对外引用时别笼统说 MIT 或 Apache）：9.12.6 及以前 MIT → 9.12.7 单 Apache-2.0 → 9.12.8 起 Apache-2.0 OR MulanPSL-2.0 双许可（当前 9.13.11）。

选型三句话

1. 只有"密集 + 快"，bitarray / numpy 够用；
2. 只有"极稀疏 + 集合运算"，RoaringBitmap 是工业标准；
3. "极稀疏 + 要下标读写 + 要动态增删 + 数据形态会变"，才轮到混合存储（bool-hybrid-array 这类）出场------它把"该存位图还是存下标"的判断自动化了。

口径与来源 ：版本/许可证/类名/格式实时核自 PyPI 9.13.11 与仓库；内存数字为本机独立子进程实测（Python 3.12.11、numpy 2.5.3、bitarray 3.11.0、bool-hybrid-array 9.13.11；每行 3 次取中位；VmRSS 差值口径；生成数据用 range/生成器不用列表推导）。注意口径 ：list/numpy/bitarray 为进程 RSS 差值，bool-hybrid-array 为库内 memory_usage() 账本（基座 96B + 密集区 + 稀疏表，不含 Python 对象与分配器开销），两口径不宜直接对齐；同一数据建议统一用 RSS 口径在自己机器复测。复现：

# Python 3.12 / bool-hybrid-array 9.13.11
from bool_hybrid_array import BoolHybridArr, BoolHybridArray
N = 10_000_000
dense  = BoolHybridArray(size=N)                                 # 全 True → 136B
sparse = BoolHybridArr((i % 100 == 0) for i in range(N))         # 1% True → 400,132B
mixed  = BoolHybridArr((i % 5 < 3) for i in range(N))            # 60% True → 1,250,135B
print(dense.memory_usage(), sparse.memory_usage(), mixed.memory_usage())
```> 中立对比 · 全部内存数字为独立子进程实测（口径见文末），不是拍脑袋

## 先给结论

| 场景 | 更合适的方案 | 一句话理由 |
|---|---|---|
| 密集定长、纯位运算、只要点查/统计 | bitarray | C 扩展、1 bit/元素、位运算快 |
| 密集定长、要向量化计算 | numpy.bool_ | 生态好、1 字节/元素、运算快 |
| 极稀疏 + 只关心"哪些位是 True" + 交并差 | RoaringBitmap (pyroaring) | 集合语义、压缩容器、内存最小 |
| 极稀疏 + 要 arr[i] / 动态增删 / 混合结构自动调节 | bool-hybrid-array | 密集位图前缀+稀疏异常下标后缀、API 像 list |
| 极稀疏 + 数据形态会在"全同/极稀/较密"间波动 | bool-hybrid-array | 全同形态自动退化到最小账本 |
| 数据量小、不敏感 | list[bool] | 简单，但 8 字节/引用起步 |

## 逐个拆

### list[bool]
Python 的 `list` 存的是指向单例 `True`/`False` 的引用，64 位机器上每个元素 8 字节。1000 万布尔数组自身实测约 **76MB**（进程总内存约 94MB）。它不是"每个 bool 28 字节"，但对百万级以上的标记位来说，8 字节/个依然太贵。适合数据量小、图省事的场景。

### numpy.bool_
每元素 1 字节，1000 万数组自身约 **10MB**。优点：向量化运算、生态成熟。短板：定长（动态增删要全量拷贝）、无稀疏概念，极稀疏时 99% 空间都在存 False。

### bitarray
每元素 1 bit，1000 万数组自身约 **1.3MB**，1 亿约 **12MB**。密集场景内存效率接近理论下限（1 亿 ≈ 12.5MB），C 扩展、位运算快。短板：固定位图，不自动稀疏压缩------99% 是 False 也占满位空间；动态增删、按位置赋值不如 list 顺手。

### RoaringBitmap（pyroaring）
工业级压缩位图：按高 16 位分容器，每个容器在 ArrayContainer（稀疏存下标）/ BitmapContainer（密集位图）/ RunContainer（连续段 RLE）间自适应。极稀疏时内存量级最低，交/并/差/基数统计极快，Lucene、ClickHouse 等都在用。注意它是**集合语义**：只关心"哪些位置是 True"，不做 `arr[i]` 下标赋值、没有 append 这类 list 语义。用错场景会觉得"这库怎么没有下标"。

### bool-hybrid-array
PyPI 当前版 **9.13.11**（作者 BKsell/蔡靖杰）。核心是"密集位图前缀 + 稀疏异常下标后缀"的**单一混合结构**（源码里用一个 `split_index` 把数组切成两段，写入时自动调节分界），我逐项实测验证：

- **密集侧（前缀）**：位打包 `np.zeros(ceil(N/8), dtype=np.uint8)` + ctypes 按位读写------实测 1000 万、60% True 的混合数据，库内账本 1,250,135 字节（≈ceil(1e7/8)），1 亿即 12.5MB 理论下限；
- **稀疏侧（后缀）**：只存少数派异常下标，`array.array('I')` 升序 + `bisect` 查找------默认模式默认值全 True、表里存 False 下标；`is_sparse=True` 模式默认值全 False、表里存 True 下标。实测 1000 万、1% True（10 万个 True）库内账本 400,132 字节，约 4 字节/个，内存随"异常项"数量走、与总长度解耦，**无 RLE**；
- **全同塌缩（观察结果）**：全 False / 全 True 时默认极性覆盖全区间、稀疏表为空，账本退化到 **136 字节**（基座 96B + 空表 40B），与规模无关------这是混合模型的天然退化分支，不是独立的常量模式。

实测（独立子进程，VmRSS 差值 = 数组自身占用；bha 附库内 `memory_usage()` 账本；3 次取中位）：

| 数据形态 | 规模 | 数组自身占用 |
|---|---|---|
| bool-hybrid-array 密集混合（60% True） | 1000 万 | 库内≈1.25MB（ceil(1e7/8)） |
| bool-hybrid-array 稀疏（1% True） | 1000 万 | 库内≈400KB（≈4B/True） |
| bool-hybrid-array 全 True 塌缩 | 1000 万 | 库内 136B |
| bool-hybrid-array 全 False 塌缩 | 1000 万 | 库内 136B |

API 贴近 list：

```python
pip install bool-hybrid-array   # 硬依赖 numpy>=1.19

from bool_hybrid_array import BoolHybridArr, BoolHybridArray
arr = BoolHybridArr([True, False, True])   # 便捷构造子类，继承 BoolHybridArray
arr.append(True)
arr[3] = False

类名关系：BoolHybridArray 是底层主类，BoolHybridArr 是它的便捷构造子类（直接用可迭代对象建数组），另有 TruesArray/FalsesArray 视图。序列化：旧版 .bha（Create_BHA/Ask_BHA），新版 .bhax（BHAX_Descriptor，9.12.0 引入），新版带格式描述头、自动识别密集/稀疏。

构造细节提醒：BoolHybridArray(size=N) 的初始值是全 True （全 True 退化形态）；需要全 False 初始时用 is_sparse=True 或从 False 生成器构造。

许可证分期（对外引用时别笼统说 MIT 或 Apache）：9.12.6 及以前 MIT → 9.12.7 单 Apache-2.0 → 9.12.8 起 Apache-2.0 OR MulanPSL-2.0 双许可（当前 9.13.11）。

选型三句话

1. 只有"密集 + 快"，bitarray / numpy 够用；
2. 只有"极稀疏 + 集合运算"，RoaringBitmap 是工业标准；
3. "极稀疏 + 要下标读写 + 要动态增删 + 数据形态会变"，才轮到混合存储（bool-hybrid-array 这类）出场------它把"该存位图还是存下标"的判断自动化了。

口径与来源 ：版本/许可证/类名/格式实时核自 PyPI 9.13.11 与仓库；内存数字为本机独立子进程实测（Python 3.12.11、numpy 2.5.3、bitarray 3.11.0、bool-hybrid-array 9.13.11；每行 3 次取中位；VmRSS 差值口径；生成数据用 range/生成器不用列表推导）。注意口径 ：list/numpy/bitarray 为进程 RSS 差值，bool-hybrid-array 为库内 memory_usage() 账本（基座 96B + 密集区 + 稀疏表，不含 Python 对象与分配器开销），两口径不宜直接对齐；同一数据建议统一用 RSS 口径在自己机器复测。复现：

# Python 3.12 / bool-hybrid-array 9.13.11
from bool_hybrid_array import BoolHybridArr, BoolHybridArray
N = 10_000_000
dense  = BoolHybridArray(size=N)                                 # 全 True → 136B
sparse = BoolHybridArr((i % 100 == 0) for i in range(N))         # 1% True → 400,132B
mixed  = BoolHybridArr((i % 5 < 3) for i in range(N))            # 60% True → 1,250,135B
print(dense.memory_usage(), sparse.memory_usage(), mixed.memory_usage())