为何Numpy数组与ravel扁平化后内存不同且不同元素量数组内存一致？

这是个很常见的误区——你混淆了数组对象本身的内存占用和数组元素实际存储的内存总量，咱们一步步拆解清楚：

1. sys.getsizeof()的真实作用 #

sys.getsizeof() 只负责测量Python对象本身在内存中的大小，对于Numpy的ndarray来说，它统计的仅仅是数组这个「管理容器」的内存，完全不包含数组里所有元素存储的实际数据。

2. Numpy数组的两层内存结构 #

Numpy数组本质上分为两个部分：

• 元数据层：就是ndarray对象本身，包含数组的形状（shape）、数据类型（dtype）、指向数据缓冲区的指针、步长（strides）等管理信息。这部分的大小是固定的（或者说变化可以忽略不计），不管你的数组有15个元素还是30个元素，这个管理对象的内存占用基本不变——这就是你两次测试中sys.getsizeof(array)都是112的核心原因。
• 数据缓冲区：这才是真正存储数组元素的地方，它的大小由「元素数量 × 单个元素字节数」决定，比如int64类型的元素每个占8字节，15个元素就是120字节，30个就是240字节。

3. ravel()的本质 #

array.ravel() 大多数情况下会返回原数组的视图（view）——它不会复制数据，只是创建一个新的ndarray对象，修改了元数据里的形状（改成一维）和步长，底层依然指向原数组的数据缓冲区。所以这个新的视图对象本身的内存占用也是固定的，和元素数量无关，这就是你看到两次sys.getsizeof(array.ravel())都是96的原因。

4. 如何正确计算数组的总内存占用 #

如果你想知道数组所有元素实际占用的内存，应该用Numpy提供的nbytes属性：

import numpy as np
import sys

array = np.arange(15).reshape(3,5)
print(array.nbytes)  # 输出120（15×8，int64类型）
print(array.ravel().nbytes)  # 同样输出120，因为共享数据缓冲区

array2 = np.arange(30).reshape(5,6)
print(array2.nbytes)  # 输出240（30×8）

你还可以验证ravel返回的是视图：

print(array.ravel().base is array)  # 输出True，说明共享原数据缓冲区

内容的提问来源于stack exchange，提问作者Timur