Python内存管理技巧，一篇文章告诉你内存优化的本质！

大家好，我是花姐！💡 还记得你第一次写 Python 代码的时候吗？那种随意创建变量、毫无节制地 new 一个又一个对象的快感，简直让人沉迷！😂 可是，当代码运行变慢、内存占用飙升时，你才会意识到：

"诶？怎么 Python 还会吃这么多内存？！"

今天，我们就来聊聊 Python 的内存管理，帮你写出更高效、优化内存占用的 Python 代码！🎯

---

1. Python 的内存管理机制

Python 内部使用 引用计数（Reference Counting） 和 垃圾回收（Garbage Collection, GC） 机制来管理内存。

1.1 引用计数

每个对象都有一个"计数器"，记录它被多少个变量引用。一旦引用计数归零，Python 立刻释放这个对象的内存。

import sys

a = []  # 创建一个列表对象
print(sys.getrefcount(a))  # 输出 2（因为 sys.getrefcount() 也会额外增加一次引用）

b = a  # 变量 b 也指向同一个列表
print(sys.getrefcount(a))  # 输出 3

del a
print(sys.getrefcount(b))  # 输出 2

del b  # 引用计数归零，内存被释放

💡 注意 ：sys.getrefcount() 的结果比你想象的多 1，因为它本身也会创建一个临时引用！

1.2 垃圾回收（GC）

Python 采用 分代回收 ，对象被分成三代：新生代、中生代、老生代。垃圾回收主要针对循环引用的情况。

import gc

class A:
    def __init__(self):
        self.ref = None

obj1 = A()
obj2 = A()
obj1.ref = obj2
obj2.ref = obj1  # 形成循环引用

del obj1, obj2  # 引用计数没有归零，Python 需要 GC 来清理

gc.collect()  # 手动触发垃圾回收

---

2. Python 内存优化技巧

2.1 使用 __slots__限制对象属性

默认情况下，Python 的对象使用 动态字典（__dict__） 存储属性，占用大量内存。如果你的类属性是固定的，可以用 __slots__ 优化，之前花姐在其它文章中提到过。

class NormalClass:
    pass

class SlotClass:
    __slots__ = ['name', 'age']  # 仅允许 name 和 age 两个属性

obj1 = NormalClass()
obj1.name = "花姐"
obj1.age = 18
obj1.gender = "女"  # 允许动态添加新属性

obj2 = SlotClass()
obj2.name = "花姐"
obj2.age = 18
# obj2.gender = "女"  # ❌ AttributeError: 'SlotClass' object has no attribute 'gender'

__slots__ 会让 Python 不再为对象创建 __dict__，从而减少内存占用。

2.2 避免不必要的临时变量

Python 解释器会缓存一些常见的对象，例如 小整数 （-5 到 256 在 Python 3.9 及以前的版本），以及部分 短字符串。

但在 Python 3.10+ 之后，整数的缓存范围 可能更大，具体行为依赖于 Python 实现。

# 可能被缓存（具体范围取决于 Python 版本）
a = 256
b = 256
print(a is b)  # True

# 可能不被缓存
a = 257
b = 257
print(a is b)  # 3.9 以前通常 False，3.10+ 可能 True

结论 ：Python 会缓存小整数，但具体范围视 Python 版本而定，不建议过分依赖此特性！

2.3 使用生成器代替列表

如果你只需要 逐个获取数据，而不是一次性加载所有数据 ，请用 生成器 代替列表。

# 占用大量内存的方式
nums = [i for i in range(10**6)]

# 更优的方式（惰性加载）
def num_generator():
    for i in range(10**6):
        yield i

gen = num_generator()

为什么？ 生成器不会一次性把所有数据存入内存，而是每次 yield 一个值，这样可以大幅降低内存占用！🎉

2.4 使用 array 代替列表存储大量数值

如果你需要存储大量的数值，使用 array 模块比 list 更节省内存。

import array

# 创建一个存储 int 类型的数组，比列表更节省内存
arr = array.array('i', range(10**6))

2.5 使用 deque 代替列表进行队列操作

collections.deque 具有更高效的 头部插入和删除 操作，比 list 的 pop(0) 和 insert(0, x) 更优。

from collections import deque

dq = deque(range(10**6))
dq.appendleft(-1)  # O(1) 复杂度

# 而 list.insert(0, -1) 是 O(n)，在大规模数据下性能差距明显

---

3. 释放不用的内存

3.1 手动释放变量

Python 采用 自动垃圾回收 ，但如果你想主动释放大对象，建议使用 del 并 调用 gc.collect()。

import gc

data = [i for i in range(10**6)]
del data  # 删除变量
gc.collect()  # 强制触发垃圾回收

在大数据处理中，这个方法可以 显著减少内存占用！

---

总结

1. Python 采用 引用计数 + 垃圾回收 来管理内存。
2. 使用 __slots__ 可以节省对象的 属性存储空间。
3. 避免不必要的临时变量 ，Python 会缓存小整数 ，但范围 依赖 Python 版本。
4. 用生成器替代列表，节省内存！
5. 用 array 代替 list 存储大量数值，提高内存效率。
6. 用 deque 代替 list 进行队列操作，提高性能。
7. 手动释放大对象 ，使用 del + gc.collect() 及时清理。

希望今天的内容对你有帮助！