Python np.arr.itemsize与sys.getsizeof（arr[0]）

给定一个数组

arr = array([  9.93418544e+00,   1.17237323e+01,   1.34554537e+01,
         2.43598467e+01,   2.72818286e+01,   3.11868750e+01,...])

执行以下命令时，我会得到一些输出：

arr.itemsize # 8
type(arr[0]) # numpy.float64
sys.getsizeof(np.float64()) # 32
sys.getsizeof(arr[0]) # 32
arr.dtype # dtype('float64')

似乎itemsize不能正常工作。我很感兴趣为什么会这样

我和

print(sys.version)
3.5.5 | packaged by conda-forge | (default, Jul 24 2018, 01:52:17) [MSC v.1900 64 bit (AMD64)]
numpy==1.10.4

似乎itemsize不能正常工作

确实如此，不同的结果是因为Python对象与numpy中的项目不同

在Python中，一切都是对象。数据已“装箱”。这意味着，例如对于

int

，我们得到：

>>> sys.getsizeof(2)
28

这是28字节。那太多了。在大多数编程语言中，

int

需要2到8个字节。如果是32位

int

，则需要4个字节

但在Python中，对象有很多“上下文”。例如，某些字节用于表示对象的类型等

然而，Numpy不是用Python实现的，它不是一个使用Python对象本身的库。它更像是一个用C实现的库，并且有一个很好的Python接口。因此，这意味着列表

[1,4,2,5]

在Python中不是作为包含四个

int

对象引用的列表存储的，而是作为一个数组存储的，通常包含“unbox”元素。因此，上面的计算将需要，因为

int

s每个都需要32位，4*32位，并且数组周围的“上下文”需要一些额外的空间

因此，物品以更节省空间的方式存储。这使得处理值变得更容易，因为我们这里不使用指针，而是直接使用值（有一些方法可以将引用存储在numpy数组中，但现在让我们忽略这一点）。此外，numpy数组占用的内存远远少于等价的Python列表（以及它所包含的项）

但是，如果从numpy数组中获取一个项，则需要为此创建一个Python对象。这意味着在这里它将构造一个

numpy.float64

对象，其中包含该值，但在该值周围还有很多“上下文”。这将导致使用更多内存

numpy构造特定类型对象的数组这一事实也会产生一些后果。例如，如果使用

numpy.int16

，则这意味着不能将大于32767的值存储到其中，因为该值不能用16位2补码表示：

>>> np.int16(32767)
32767
>>> np.int16(32768)
-32768

---

此外，如果不使用Python对象引用或其他一些“技巧”，就不能构造包含不同类型对象的数组。例如，Numpy构造了一个

int16

数组，这意味着它将160位解释为10个16位的数字。在Python中，列表本身包含对对象的引用，Python对象知道它是什么类型，这意味着我们可以设置对另一个对象的引用，即另一种类型的对象。

确实如此，Python对象与元素的大小（单位为Numpy）之间存在差异。注意，NUMPY是用C++实现的，并且不构造单独的“Pyton对象”。“在CPython中，它还有两个指针：一个是下一个指针，另一个指向堆上的前一个对象。”对于64位Python上的普通

PyLongObject

，成本是指向类型（8字节）的指针、引用计数为

ssize\u t

（8字节）、长度字段为

ssize\u t

（8字节），以及表示大小（4字节）的32位（4字节）整数数组（在本例中为大小1）。对于纯

int

s，没有双链接的分配列表（对于参与循环垃圾收集的对象，有类似的配置，但对于不包含其他Python对象的不可变对象，则没有）。