我在学习 Numpy 时遇到了以下代码：
import numpy as np
import time
import sys
S= range(1000)
print(sys.getsizeof(5)*len(S))
D= np.arange(1000)
print(D.size*D.itemsize)
这个输出是：
O/P - 14000
4000
所以 Numpy 节省了内存存储。但我想知道 Numpy 是如何做到的？
来源：https://www.edureka.co/blog/python-numpy-tutorial/
编辑：This question 只回答了我的一半问题。没有提及 Numpy 模块的功能。
【问题讨论】：
标签： python python-3.x numpy
NumPy 的数组比 Python 列表更紧凑——您描述的列表列表在 Python 中至少需要 20 MB 左右，而单元格中具有单精度浮点数的 NumPy 3D 数组将适合 4兆。使用 NumPy 也可以更快地读取和写入项目。
也许你对一百万个单元不太在意，但你肯定会关心十亿个单元——这两种方法都不适合 32 位架构，但在 64 位构建中，NumPy 4 GB 左右，仅 Python 就需要至少约 12 GB（大量指针大小翻倍）——这是一个更昂贵的硬件！
差异主要是由于“间接性”——Python 列表是指向 Python 对象的指针数组，每个指针至少 4 个字节加上即使是最小的 Python 对象也有 16 个字节（4 个用于类型指针，4 个用于引用count, 4 代表值——内存分配器四舍五入到 16）。 NumPy 数组是一个统一值数组——单精度数字每个占用 4 个字节，双精度数字占用 8 个字节。不太灵活，但您为标准 Python 列表的灵活性付出了巨大的代价！
【讨论】：
在您的示例中，D.size == len(S)，因此差异是由于 D.itemsize (8) 和 sys.getsizeof(5) (28) 之间的差异。
D.dtype 向您展示 NumPy 使用 int64 作为数据类型，它使用（不出所料）64 位 == 每个项目 8 个字节。这实际上只是原始的数字数据，类似于 C 中的数据类型（在后台几乎就是这样）。
相比之下，Python 使用 int 来存储项目，（正如 FlyingTeller 所指出的 the question 所链接的）不仅仅是原始数字数据。
【讨论】：
ndarray 将其数据存储在连续的数据缓冲区中
以我当前的ipython 会话为例：
In [63]: x.shape
Out[63]: (35, 7)
In [64]: x.dtype
Out[64]: dtype('int64')
In [65]: x.size
Out[65]: 245
In [66]: x.itemsize
Out[66]: 8
In [67]: x.nbytes
Out[67]: 1960
x 引用的数组有一块内存，其中包含shape 和strides 之类的信息，而这个数据缓冲区占用了 1960 字节。
识别列表的内存使用情况，例如xl = x.tolist() 更棘手。 len(xl) 是 35，即它的数据缓冲区有 35 个指针。但是每个指针都引用了一个不同的 7 个元素列表。这些列表中的每一个都有指向数字的指针。在我的示例中，数字都是小于 255 的整数，因此每个都是唯一的（重复指向同一个对象）。对于较大的整数和浮点数，每个都有一个单独的 Python 对象。因此，列表的内存占用取决于嵌套程度以及各个元素的类型。
ndarray 也可以有object dtype，在这种情况下，它也包含指向内存中其他地方的对象的指针。
还有一个细微差别 - 列表的主指针缓冲区略微过大，以使 append 更快。
【讨论】：