Python 在内存管理上做了一系列优化，避免频繁向操作系统申请和释放小片内存，从而提高程序执行效率。这些优化对开发者大部分时候是透明的，但了解它们能帮助你避开一些不易察觉的坑，也能在排查内存问题时更有方向。
小整数对象池
Python 在启动时会预先创建好从 -5 到 256 的所有整数对象，放入一个全局池中。程序中任何地方用到这个范围内的整数，都会直接复用池中已有的对象，而不会创建新对象。
a = 100
b = 100
print(a is b) # True，因为 100 在 -5~256 之间，指向同一个对象
x = 300
y = 300
print(x is y) # False，300 超出范围，每次赋值都会创建新的整数对象设计原因：小整数被频繁使用（如循环索引、简单计数），预创建对象可以大幅减少内存分配与回收的额外开销，提高执行速度。
实际注意点：
- 判断两个整数是否值相等一定要用
==，不要依赖is。小整数池的行为是 CPython 的实现细节，跨解释器、跨版本未必一致。 - 写代码时不必刻意利用这个机制，编译器/解释器的优化比你手工控制更可靠。
字符串驻留
Python 会自动对一些字符串执行驻留，即只保存一份副本，相同内容的字符串引用同一个对象。主要针对看起来像“标识符”的字符串：仅包含字母、数字、下划线，且长度较短。
s1 = "hello"
s2 = "hello"
print(s1 is s2) # 通常为 True，因为 "hello" 符合标识符条件
s3 = "hello world"
s4 = "hello world"
print(s3 is s4) # 通常为 False，包含空格，不会被自动驻留
s5 = "hello!"
s6 = "hello!"
print(s5 is s6) # 通常为 False，包含叹号，不会被自动驻留你也可以通过 sys.intern() 手动强制驻留一个字符串，让后续相同字符串的引用都指向同一对象，这在需要大量重复字符串比较的场景里能有效节省内存并加速。
设计原因：变量名、属性名、字典键等经常出现大量重复字符串，驻留可以显著降低内存占用量。
实际注意点：
- 和整数一样，字符串内容比较永远用
==，不要用is判断字符串是否相等。 - 自动驻留的范围是 CPython 实现细节，Jython 或 PyPy 可能行为不同。
pymalloc 内存分配器
CPython 内部实现了一套专为 Python 对象设计的私有内存分配器，名为 pymalloc。它的核心思路是：对小对象（小于 512 字节）进行分层管理，减少直接调用 C 的 malloc 和 free，从而提升分配效率和空间利用率。
pymalloc 采用三级层次结构：
- Arena（区域）：大块连续内存，每次向操作系统申请 256KB。
- Pool（池）：从 Arena 中切出，每个 4KB，专用于处理同一种大小的对象。
- Block（块）：池内部再切分为固定大小的块，直接存放 Python 对象。
当需要创建新对象时，pymalloc 先从对应大小的池中取空闲块；对象销毁时，块被归还到池中，并不立即交还操作系统。这样，频繁创建和销毁小对象（如列表元素、临时变量）时，大部分操作只在用户态完成，无需系统调用，效率极高。
超过 512 字节的对象（如大列表、长字符串）则直接使用 C 的 malloc 分配，由系统内存管理机制控制。
设计原因：Python 程序运行时会瞬间产生大量小对象（每个整数、每次函数调用都会分配对象），借助 pymalloc 可以减轻内存碎片和分配时延。
实际影响与注意点：
- 内存占用“虚高”：一个 Python 进程的内存使用量看起来可能很大，但实际活跃对象并不多。这是因为 pymalloc 不会立即将空闲内存归还给操作系统，而是留作后续使用。这对长时间运行的服务器进程是正常的，不属于内存泄漏。
- 排查内存问题时：需要区分“Python 内部保留”和“真实泄漏”。使用
tracemalloc等工具才能定位哪些对象仍然存活。 - 多线程场景：pymalloc 会为每个线程分配独立的 Arena 池，避免锁竞争。
总体而言，Python 的内存池机制让日常开发几乎不用关心内存分配细节，开发效率因此而提高。只有在遇到内存使用异常或进行极致优化时，才需要深入理解这些底层行为。