Python中可变(Mutable)与不可变(Immutable)数据结构的内存管理差异

先明确两个概念的覆盖范围：

• 不可变数据结构：实例创建后就无法修改内部值的类型，常见的包括 int、str、float、tuple、frozenset
• 可变数据结构：实例创建后可随时修改内部值的类型，常见的包括 list、dict、set、大部分自定义类的实例

具体内存管理差异 #

修改操作的内存行为不同 #

• 对不可变对象做“修改”操作时，本质是创建了一个全新的对象，原对象的内存地址、存储内容都不会发生变化。
  举个实际测试的例子：

  s = "abc"
  print(id(s)) # 假设输出 140706732123440
  s += "def"
  print(id(s)) # 输出会变成新的地址，比如 140706732156784
  

  这里原来的"abc"对象并没有被改动，只是新生成了"abcdef"对象重新绑定到变量s上。

  补充特殊优化：Python对不可变类型有内置的缓存机制，比如[-5, 256]范围内的小整数、符合标识符规则的短字符串会被全局驻留，相同值的这类对象会共用同一块内存，不会重复创建，以此降低内存开销。

• 对可变对象做修改操作时，会直接在原内存块上改动内容，对象的内存地址不会发生变化。
  对应例子：

  lst = [1,2,3]
  print(id(lst)) # 假设输出 140706731987600
  lst.append(4)
  print(id(lst)) # 输出和之前完全一致
  

  而且可变类型一般会做预分配内存的优化，比如列表会预先申请比实际存储元素更多的内存空间，后续添加元素时不需要每次都重新申请内存，只在预分配空间用完的时候才会触发扩容。

多引用时的行为不同 #

• 多个变量引用同一个不可变对象时，任意一个变量做修改操作，都只会改变自身的绑定指向，不会影响其他变量指向的原对象，天然不会出现并发修改的问题。
• 多个变量引用同一个可变对象时，任意一个变量对对象做修改，所有引用该对象的变量都会感知到变化，因为所有引用都指向同一块内存地址。

哈希支持的差异 #

• 不可变对象的值和内存地址固定，所以默认支持哈希计算，hash()调用可以得到固定的结果，因此可以作为字典的键、也可以存入集合中。
• 可变对象的值可以动态修改，哈希值会随之变化，所以默认不支持哈希，直接调用hash()会抛出TypeError，也不能作为字典键或者集合元素。

内存回收的效率差异 #

• 不可变对象的引用计数管理逻辑更简单，只要引用计数归零就可以直接释放内存，不存在部分内容修改需要调整内存块的情况。
• 可变对象因为有预分配的空闲内存，占用的实际内存一般比存储相同内容的不可变类型更高（比如相同元素的list占用内存比tuple高20%~50%），回收时需要额外处理预分配的空闲块，逻辑更复杂。

内容的提问来源于stack exchange，提问作者Welemhret