1. 列表推导式
my_list = [i for i in range(1, 1000001)]
- 内存占用：列表推导式直接在内存中创建一个完整的列表，对于100万个整数，每个整数占用一定字节数（在64位系统中，一个整数通常占用8字节），所以占用内存较大。
- 执行效率：列表推导式相对较快，因为它是Python内置的语法结构，在创建列表时使用的是优化过的底层代码。
2. range()结合list()
my_list = list(range(1, 1000001))
- 内存占用：
range()本身是一个可迭代对象，并不占用大量内存来存储所有值。但list()将range对象转换为实际的列表，同样会在内存中创建100万个整数的列表，内存占用与列表推导式类似。
- 执行效率：由于
range对象创建开销较小，list()转换过程相对高效，整体执行效率与列表推导式相近。
3. numpy库
import numpy as np
my_array = np.arange(1, 1000001)
- 内存占用：
numpy数组在存储数据时更加紧凑，它使用固定的数据类型（如np.int64），相比于Python原生列表，在存储相同数量的整数时占用内存更小。例如，对于64位整数，numpy数组的存储方式更高效。
- 执行效率：
numpy库是用C语言实现的，在数值计算方面有高度优化，创建数组的效率非常高。特别是在处理大规模数值数据时，numpy远远快于Python原生列表操作。
选择建议
- 内存敏感场景：如果内存资源有限，应优先选择
numpy库，因为其内存占用小。例如在处理大数据集且内存不足的情况下，numpy数组是更好的选择。
- 简单快速创建列表：如果对内存占用不太敏感，且只是简单地需要一个Python列表，列表推导式和
range()结合list()都很合适。它们代码简洁，执行效率也较高，适用于一般规模的数据处理。
- 数值计算场景：若后续需要进行大量的数值计算，如数学运算、统计分析等，
numpy库不仅在创建时高效，其丰富的函数和方法也能大大提高计算效率，应优先选用。
