为什么相同长度的float32、float16类型numpy数组占用内存比float64更大？

现象原因 #

你观察到的反常识结果是由两个原因共同导致的：

• sys.getsizeof()统计的是完整Python对象的内存占用，除了数组元素本身的存储空间，还包含numpy数组对象的固定元数据开销（存储数组维度、dtype、步长、内存地址等属性）。你测试用的数组只有8个元素，元数据开销的占比远高于元素本身的存储占比，会掩盖不同dtype的元素大小差异。
• numpy针对不同dtype的数组内部会做内存对齐优化，不同dtype的元数据结构末尾的填充字节数不同，就出现了小dtype数组的总对象占用反而更高的情况。

你可以自己计算验证两者的开销拆分：

正确的数组元素内存统计方法 #

如果只需要统计数组元素本身占用的内存，直接调用numpy数组的nbytes属性即可，不会包含元数据开销：

import numpy as np

a = np.linspace(0, 10, 8, dtype=np.float64)
b = np.linspace(0, 10, 8, dtype=np.float32)
c = np.linspace(0, 10, 8, dtype=np.float16)

print(f'float64元素内存: {a.nbytes} bytes\nfloat32元素内存: {b.nbytes} bytes\nfloat16元素内存: {c.nbytes} bytes')

运行后会得到符合预期的结果：

float64元素内存: 64 bytes
float32元素内存: 32 bytes
float16元素内存: 16 bytes

当你测试的数组元素数量足够大时（比如10万+），元数据开销的占比可以忽略不计，此时即使用sys.getsizeof()统计，结果也会符合float16 < float32 < float64的规律。

内容的提问来源于stack exchange，提问作者BenjamnGC