这个问题其实是因为你误解了sys.getsizeof()的作用，以及range和numpy.arange()的本质差异——咱们一步步拆解：

1. range 是惰性序列，根本不存储元素 #

Python的range()返回的是一个惰性迭代器对象（Python 3版本），它不会预先把所有元素都存在内存里，只存储三个核心参数：start、stop、step，再加上一些内部管理属性。所以sys.getsizeof(range(1,10000))返回的48字节，只是这个小对象本身的大小——不管你range的范围多大，这个对象的大小基本是固定的。

你可以试试sys.getsizeof(range(1, 1000000))，结果还是差不多的数值，因为它从来没存储过那上百万个元素。

2. numpy.arange() 返回的是实际存储元素的数组 #

numpy.arange()返回的是一个numpy.ndarray对象，这个对象本身需要存储元数据（比如dtype、shape、strides等），同时会把所有元素实际存在内存里。

看你的例子：

• np.arange(1,10000, dtype=np.int8) 生成了9999个元素（从1到9999）
• 每个int8类型的元素占用1字节，所以元素总大小是9999字节
• 再加上ndarray对象本身的元数据（大概96字节左右），9999+96=10095，正好和你看到的输出一致。

3. 什么时候numpy.arange()才会更省空间？ #

当你需要把序列的所有元素都存在内存里的时候，numpy的优势就体现出来了。比如对比：

import sys
import numpy as np

# 把range转成list，实际存储所有元素
x_list = list(range(1,10000))
print(sys.getsizeof(x_list))  # 大概是80096字节（不同版本可能略有差异）
# 再算每个int元素的大小：每个Python int对象在64位系统占~28字节，9999个就是≈279972字节，加上list本身的开销，总内存远大于numpy数组

# numpy数组的大小
a = np.arange(1,10000, dtype=np.int8)
print(sys.getsizeof(a))  # 10095字节

这时候你就能看到，numpy数组存储相同数量的元素，内存占用只有list的1/8左右（如果用int32，也比Python int省很多）。

总结两者的核心差异 #

• range：惰性迭代，不存储元素，适合只需要迭代遍历的场景，内存开销极小（固定大小），但不支持数值计算。
• numpy.arange：生成实际存储的数组，支持高效数值计算，当需要存储大量数值时，内存效率远高于Python的list/int组合，但本身对象包含元素存储，所以sys.getsizeof()会显示更大的数值。

内容的提问来源于stack exchange，提问作者AshishSingh007