Python 为什么熊猫中的内存使用报告的整数数与对象数据类型相同？

我试图理解熊猫中整数和字符串（对象）数据类型在内存使用方面的差异

import pandas as pd
df_int = pd.DataFrame(np.random.randint(0,100,size=(100, 4)), columns=list('ABCD'), dtype=int)

正如预期的那样，这需要大约3.2kb的内存，因为每列都是64位整数

In [38]: df_int.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100 entries, 0 to 99
Data columns (total 4 columns):
A    100 non-null int64
B    100 non-null int64
C    100 non-null int64
D    100 non-null int64
dtypes: int64(4)
memory usage: 3.2 KB

对于使用转换为字符串的整数初始化的数据帧，它几乎是24KB

In [42]: sys.getsizeof(df_str)
Out[42]: 23984

为什么Pandas中的内存使用报告的整数数与字符串数（对象数据类型）相同？

在后面，使用

'deep'

获取实际值（否则这是一个估计值）

df_str.info（内存使用率='deep'）
#
#范围索引：100个条目，0到99
#数据列（共4列）：
#100非空对象
#B 100非空对象
#C 100非空对象
#D 100非空对象
#数据类型：对象（4）
#内存使用率：23.3KB

“深刻”的值相当于“深刻反省的真实”。 内存使用情况以人类可读的单位显示（以2为基数表示）。 在没有深入反省的情况下，根据列进行内存估计 假定值占用相同内存的数据类型和行数 对应数据类型的金额。有了深刻的记忆内省 实际内存使用率计算是以 计算资源

---

回答了我的问题。非常感谢。

In [44]: sys.getsizeof(df_int)
Out[44]: 3304

In [42]: sys.getsizeof(df_str)
Out[42]: 23984

df_str.info(memory_usage='deep')
#<class 'pandas.core.frame.DataFrame'>
#RangeIndex: 100 entries, 0 to 99
#Data columns (total 4 columns):
#A    100 non-null object
#B    100 non-null object
#C    100 non-null object
#D    100 non-null object
#dtypes: object(4)
#memory usage: 23.3 KB