NumPy中int8与bool类型数组的内存占用及性能差异问题

先看测试代码：

>>> np.zeros(1024, dtype='int64').nbytes / 1024    # 单位：kB
8.0
>>> np.zeros(1024, dtype='int8').nbytes / 1024
1.0
>>> np.zeros(1024, dtype='bool').nbytes / 1024
1.0  # 疑问点

问题1：对nbytes输出的理解是否正确？如何理解bool类型不按位占用内存？ #

你的理解是对的，nbytes确实返回数组占用的总字节数。NumPy的bool类型每个元素占1字节而非1位，核心原因是硬件层面的内存访问效率：

• 现代CPU的内存操作都是按字节（甚至更大的内存块）对齐的，直接按位访问需要额外的位运算操作，会大幅降低读写速度。
• NumPy优先保证数组的操作性能，因此选择用1字节存储单个布尔值，和int8的内存占用一致。

如果确实需要按位压缩存储二进制数据，可以使用numpy.packbits()将布尔数组打包成字节数组，或者使用专门的压缩数据结构，但这类结构的读写性能通常会低于原生的bool数组。

问题2：使用bool类型数组相比int8有何优势？ #

虽然内存占用相同，但bool数组有这些不可替代的优势：

• 语义明确：直接表明数组存储的是布尔逻辑值（True/False），代码可读性更高，避免int8数组中不小心混入非0/1值的情况。
• 原生支持布尔操作：NumPy的很多函数对bool类型有专门优化，比如布尔索引、any()/all()、逻辑运算（&/|）等，操作更直观，性能也更稳定。
• 类型安全：在类型检查和函数参数传递时，bool类型能明确区分于整数类型，减少潜在的逻辑错误。

内容的提问来源于stack exchange，提问作者Kalo