array.array() 如何使用这么小的内存 space？
How does array.array() use such little memory space?
我不确定为什么 array.array() class 使用的内存比 sys.getsizeof 报告的少：
from array import array
a = array('f')
for i in range(500000):
a.append(float(i))
sys.getsizeof(a)
# 2100228
sum(sys.getsizeof(i) for i in a)
# 12000000 (makes sense, 24 bytes * 500K)
# 2100228 + 12000000 = 14100228
# 14100228 / 1000 = 14,100.228KB
# 14,100.228 / 1000 = 14.1MB
但是在任务管理器中查看进程，程序内存只增加了3MB。那么为什么进程只多用了3MB而对象却占用了14.1MB呢？
如docs、"the array module defines an object type which can compactly represent an array of basic values: characters, integers, floating point numbers"中所写。也就是说 a[i] 需要存储类型信息，而对于整个 a 数组你只需要存储一次。
您的 a 数组实际上不包含 for i in a 生成的任何对象。这些对象是在访问时生成的。 a 包含原始 32 位浮点数，而不是浮点数对象。
A Python float 是一个功能齐全的对象，它知道它的类型（所以它有方法）并且可以被垃圾收集等等。在 CPython（您可能正在使用的 Python 实现）中，这通过存储指向类型对象的指针（8 个字节）和一个引用计数（另外 8 个字节）以及实际的 IEEE float64 值（多 8 个字节），因此它至少有 24 个字节长。
A list 仅存储对 Python 对象的引用。因此，50 万个浮点数的 list 将占用列表本身的 4MB 多一点（存储所有这些引用），加上所有引用的 float 对象总共将占用另外 12MB。
array.array 不存储 float 对象，它只存储 IEEE float64 值的位（8 字节），然后动态创建那些 float 对象每当你要求一个，例如 arr[0]。这使得它变得更小——整个东西只需要 4MB 的内存——但也更慢。1
当然，您甚至没有存储 IEEE float64 数组（即 d，而不是 f），而是 float32。其中 50 万占用 2MB。
如果你想要两全其美，第三方库 NumPy 可以像 array.array 一样存储位，并且它可以对这些位进行计算而无需创建和销毁 float 对象到处都是，所以它更小 并且 更快。
因此，当您要求 500K f 浮点数数组的大小时，这是 2MB，因为它仅存储 500K 本机 IEEE float32 值（加上几十个字节的固定开销）。
但是当您遍历该数组并计算每个成员的大小时，您实际上是在动态创建 24 字节的 float 对象。所有这些临时对象的总大小为 12MB。但它们是临时的——一旦你检查了每个的大小，你就会忘记它，它变成垃圾并被清理，同样的 24 个字节可以被下一个重新使用。
至于为什么任务管理器显示内存增加了 3MB：
几乎每个程序的工作方式都是拥有一堆内存，从该堆中分配内存，并且仅在需要更多时才向 OS 请求大块内存。 （CPython 在基本堆之上有两个自定义堆，这让事情变得更加复杂，但别担心。）
所以，假设解释器在其堆中剩余 2MB space，而您要求它分配一个 4MB 的对象。它需要返回 Windows 并请求至少 2MB 的内存。它得到的比它需要的多一点（所以它不需要立即返回并要求更多），结果大约是 3MB。当然，这只是您最终可以从 OS 中获得 3MB 的众多方法中的一种，并且准确地弄清楚发生了什么需要复杂的调试（比做更有用的事情更复杂，比如跟踪堆的实际使用情况你的程序）。
如您所见，这使得任务管理器测量内存使用情况变得毫无用处，除了非常粗略的笔划。 （而且实际上比这更糟糕，一旦你遇到诸如何时 Python returns 将内存释放到 Windows、内存碎片化时会发生什么、OS 是否过度使用等问题，何时可以和不能在虚拟内存中重新映射页面，以及各种其他复杂情况。）
1.虽然它并不总是更慢。有时在内存中更紧凑会给您在缓存或虚拟内存方面带来很多优势，这足以弥补到处创建和销毁对象所浪费的时间。
我不确定为什么 array.array() class 使用的内存比 sys.getsizeof 报告的少：
from array import array
a = array('f')
for i in range(500000):
a.append(float(i))
sys.getsizeof(a)
# 2100228
sum(sys.getsizeof(i) for i in a)
# 12000000 (makes sense, 24 bytes * 500K)
# 2100228 + 12000000 = 14100228
# 14100228 / 1000 = 14,100.228KB
# 14,100.228 / 1000 = 14.1MB
但是在任务管理器中查看进程，程序内存只增加了3MB。那么为什么进程只多用了3MB而对象却占用了14.1MB呢？
如docs、"the array module defines an object type which can compactly represent an array of basic values: characters, integers, floating point numbers"中所写。也就是说 a[i] 需要存储类型信息，而对于整个 a 数组你只需要存储一次。
您的 a 数组实际上不包含 for i in a 生成的任何对象。这些对象是在访问时生成的。 a 包含原始 32 位浮点数，而不是浮点数对象。
A Python float 是一个功能齐全的对象，它知道它的类型（所以它有方法）并且可以被垃圾收集等等。在 CPython（您可能正在使用的 Python 实现）中，这通过存储指向类型对象的指针（8 个字节）和一个引用计数（另外 8 个字节）以及实际的 IEEE float64 值（多 8 个字节），因此它至少有 24 个字节长。
A list 仅存储对 Python 对象的引用。因此，50 万个浮点数的 list 将占用列表本身的 4MB 多一点（存储所有这些引用），加上所有引用的 float 对象总共将占用另外 12MB。
array.array 不存储 float 对象，它只存储 IEEE float64 值的位（8 字节），然后动态创建那些 float 对象每当你要求一个，例如 arr[0]。这使得它变得更小——整个东西只需要 4MB 的内存——但也更慢。1
当然，您甚至没有存储 IEEE float64 数组（即 d，而不是 f），而是 float32。其中 50 万占用 2MB。
如果你想要两全其美，第三方库 NumPy 可以像 array.array 一样存储位，并且它可以对这些位进行计算而无需创建和销毁 float 对象到处都是，所以它更小 并且 更快。
因此，当您要求 500K f 浮点数数组的大小时，这是 2MB，因为它仅存储 500K 本机 IEEE float32 值（加上几十个字节的固定开销）。
但是当您遍历该数组并计算每个成员的大小时，您实际上是在动态创建 24 字节的 float 对象。所有这些临时对象的总大小为 12MB。但它们是临时的——一旦你检查了每个的大小，你就会忘记它，它变成垃圾并被清理，同样的 24 个字节可以被下一个重新使用。
至于为什么任务管理器显示内存增加了 3MB：
几乎每个程序的工作方式都是拥有一堆内存，从该堆中分配内存，并且仅在需要更多时才向 OS 请求大块内存。 （CPython 在基本堆之上有两个自定义堆，这让事情变得更加复杂，但别担心。）
所以，假设解释器在其堆中剩余 2MB space，而您要求它分配一个 4MB 的对象。它需要返回 Windows 并请求至少 2MB 的内存。它得到的比它需要的多一点（所以它不需要立即返回并要求更多），结果大约是 3MB。当然，这只是您最终可以从 OS 中获得 3MB 的众多方法中的一种，并且准确地弄清楚发生了什么需要复杂的调试（比做更有用的事情更复杂，比如跟踪堆的实际使用情况你的程序）。
如您所见，这使得任务管理器测量内存使用情况变得毫无用处，除了非常粗略的笔划。 （而且实际上比这更糟糕，一旦你遇到诸如何时 Python returns 将内存释放到 Windows、内存碎片化时会发生什么、OS 是否过度使用等问题，何时可以和不能在虚拟内存中重新映射页面，以及各种其他复杂情况。）
1.虽然它并不总是更慢。有时在内存中更紧凑会给您在缓存或虚拟内存方面带来很多优势，这足以弥补到处创建和销毁对象所浪费的时间。