np.数组配置项大小与sys.getsizeof系统（arr[0]）

Question

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,...])

当执行以下命令时，我得到一些输出：

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？你知道吗

我和你一起工作

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

Answer 1

It seems that itemsize doesn't work properly.

确实如此，不同的结果是因为Python对象与numpy中的项不同。你知道吗

在Python中，一切都是一个对象。数据被“装箱”。这意味着，例如对于int，我们得到：

>>> sys.getsizeof(2)
28

这是28个字节。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。你知道吗

但是在Python中，对象有很多“上下文”。例如，一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中不是作为一个包含四个int对象引用的列表存储的，而是作为一个数组存储的，通常带有“unbox”元素。因此，上面的代码需要，假设int每个代码需要32位，4*32位，数组周围的“上下文”需要一些额外的空间。你知道吗

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，因为我们这里不遵循指针，而是直接遵循值（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效的Python列表（以及它所包含的项）。你知道吗

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。所以这意味着它将在这里构造一个numpy.float64对象，它包含这个值，但是仍然有很多关于这个值的“上下文”。这样会占用更多内存。你知道吗

事实上，numpy构造了一个包含特定类型对象的数组，这也带来了一些后果。例如，如果使用numpy.int16，则这意味着不能将大于32767的值存储到这些值中，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，列表本身包含一个对对象的引用，Python对象知道它是什么类型，所以这意味着我们可以设置对另一个对象的引用。你知道吗