Python内存使用追踪：不同库计算结果差异显著的原因

测试代码：

def my_function():
    my_list = [i for i in range(1_000_000)]
    return my_list

my_list = my_function()

不同库的内存统计结果：

• memory_profiler：82MB
• tracemalloc：36MB
• psutil：3MB

差异的核心原因是每个库统计的内存范围和计算逻辑完全不同：

1. memory_profiler：统计进程整体物理内存开销 #

memory_profiler 基于进程的**常驻集大小（RSS）**计算内存变化，统计范围最广，包含：

• Python解释器本身占用的内存
• 已加载的系统库、第三方库内存
• 所有Python对象（列表结构、列表内的整数对象等）占用的内存
• 进程共享的部分内存（如系统库的共享页）

它的数值代表整个Python进程实际占用的物理内存总量，因此结果最大。

2. tracemalloc：仅统计Python解释器分配的对象内存 #

tracemalloc是Python标准库自带的工具，只聚焦Python解释器主动分配的内存块，排除了系统级开销，比如：

• Python解释器本身的内存
• 系统库的内存

对于这个例子，它统计的是列表结构内存加上每个整数对象的内存（64位系统下单个小int对象约占28字节，百万个就是28MB左右，加上列表结构总和接近36MB）。

3. psutil：取决于具体测量的内存指标 #

psutil是多功能系统监控库，支持多种内存统计维度。你得到的3MB应该是测量了进程私有内存的增量中，仅列表结构占用的部分——因为Python会缓存0到256的小整数，列表里的整数对象是提前存在的，不需要新分配内存，新增的只有列表存储指针的数组（受内存对齐、Python内存分配器优化影响，实际增量接近3MB）。如果用psutil测量RSS，结果会和memory_profiler接近。

内容的提问来源于stack exchange，提问作者Shrinidhi M