第1章 内存视角看NumPy
文档摘要
第1章 · 内存视角看NumPy 本章要回答的三个问题：同样是存一千万个数，为什么 Python 列表又慢又费内存、NumPy 数组却快得多？ndarray 到底由哪几块东西组成？装好环境之后，我该从哪个属性开始"看"一个数组？ 为什么会有这一章 几乎每本 NumPy 教材开头都说"NumPy 很快，因为它是 C 写的"。这话对，但没用——它解释不了为什么切片一个数组改的是原数组，解释不了为什么 dtype 不对会静默丢数据，更解释不了为什么有人 transpose 之后代码反而变慢。快不快的根源不在"用什么语言写的"，而在数据在内存里怎么摆。 列表里存的是一个个对象的地址，地址指向的东西散落在堆的各处；ndarray 是一整块连续内存，元素一个挨一个躺着。
第1章 · 内存视角看NumPy
本章要回答的三个问题：同样是存一千万个数，为什么 Python 列表又慢又费内存、NumPy 数组却快得多？ndarray 到底由哪几块东西组成？装好环境之后，我该从哪个属性开始"看"一个数组？
为什么会有这一章
几乎每本 NumPy 教材开头都说"NumPy 很快，因为它是 C 写的"。这话对，但没用——它解释不了为什么切片一个数组改的是原数组，解释不了为什么 dtype 不对会静默丢数据，更解释不了为什么有人 transpose 之后代码反而变慢。快不快的根源不在"用什么语言写的"，而在数据在内存里怎么摆。
列表里存的是一个个对象的地址，地址指向的东西散落在堆的各处；ndarray 是一整块连续内存，元素一个挨一个躺着。这个差别是全书所有内容的起点，本章用两节把它讲透：第一节做实验，亲手量出列表与数组的差距；第二节拆开 ndarray，认识它的三要素。
读完能解决什么
- 能用实验数据（时间、内存占用）向别人解释"为什么选 ndarray"
- 拿到任何数组，能一眼读出它的 shape、dtype、itemsize、nbytes 分别说明什么
- 环境装好，后续每一章的实验都能直接跑
各节怎么分工
| 节 | 回答哪个问题 | 关键产出 |
|---|---|---|
| 1.1 为什么Python列表跑不快 | 性能差距从哪来 | 列表 vs 数组的计时与内存实验 |
| 1.2 ndarray的三要素 | 数组由什么构成 | 内存示意图 + 三要素解读套路 |
本章知识点清单
读完本章，以下知识点应当达到"能向别人讲清楚"的程度，每条都可以在代码里当场验证：
- 能说出 Python 列表存储一个整数的两层开销：指针数组加 PyObject 对象本身
- 能用 sys.getsizeof 与 ndaray 的 nbytes 分别量出同规模列表与数组的内存占用，并解释三倍差距的来源
- 能复现"千万元素乘二"计时实验，并解释向量化为什么快（连续内存、缓存命中、无装箱）
- 能默写 ndarray 三要素：dtype、shape、strides 各自的含义与单位
- 能手算 2×3 int64 数组中 a[1,2] 元素的字节偏移（下标乘步长求和）
- 能解释为什么转置只改 strides 不动数据，并用 shares_memory 验证
- 养成"读片四件套"习惯：拿到数组先打印 shape、dtype、strides、itemsize
开读前三个疑问
问：不学内存原理，直接背 API 不行吗？
答：能应付小数据，但一旦数据上千万行，"为什么这段慢""为什么内存爆了""为什么原数组被改了"这类问题会密集出现，而它们的答案全在布局里。与其每次事故查论坛，不如一次学透。
问：C 语言基础需要吗？
答：完全不需要。本册讲的"内存"只到"连续字节块加描述字段"这一层，配上图解就能建立模型，不涉及指针语法或编译细节。
问：实验数据在我的机器上不一样怎么办？
答：不一样才是正常的——计时受硬件影响，但结论方向（倍数差距、共享内存与否）在所有机器上一致。关注结论而非具体毫秒数。
先决条件
- 会 Python 基础语法：列表、for 循环、函数调用
- 装好 Python 3.8 以上环境；没装 NumPy 的话 1.1 节给出一条命令的安装方式
- 不需要任何线性代数或 C 语言背景
往下走到哪
本章结束时你看到的还只是"数组是一块连续内存加几个描述字段"。第 2 章会继续深入这块内存：元素如何被定位（步长）、两种摆放顺序（C 序与 F 序）、以及贯穿全书的那把尺子——视图还是拷贝。