为什么float32与float64类型数据的峰值内存占用相同？

• 核心诱因是float32测试代码中冗余的arr = arr.astype(np.float32)调用：numpy的astype方法默认会生成全新的数组副本，哪怕转换前后的dtype完全相同，也会申请新的内存空间存储转换结果。
• 执行该语句时，内存中会同时存在两份长度为1亿的float32数组：还未被垃圾回收的原np.zeros生成的数组、刚通过astype创建的新数组，两者各占400MB，总占用刚好800MB，因此被tracemalloc统计为运行峰值。
• 语句执行完成后，原数组没有变量引用会被自动回收，所以最终打印的当前内存占用为预期的400MB，和float64的当前占用拉开差距。

测试结果截图：

把float32测试代码中冗余的astype行删除，重新运行即可看到峰值内存降到400MB左右，符合float32的理论内存占用。
修正后的float32测试代码如下：

import tracemalloc
import numpy as np
tracemalloc.start()
arr = np.zeros((100000000,), dtype=np.float32)
for i in range(100000000):
    arr[i] = i
current, peak = tracemalloc.get_traced_memory()
tracemalloc.stop()
print(f"Current memory usage is {current / 10**6}MB; Peak was {peak / 10**6}MB")

内容的提问来源于stack exchange，提问作者Leo hk