Python内存管理核心是理解对象生命周期、引用计数与垃圾回收协同机制；变量是标签而非容器，id()返回内存地址，循环引用需gc模块清理，可用tracemalloc和objgraph排查泄漏。
Python内存管理的核心不在“手动控制”，而在理解对象生命周期、引用计数与垃圾回收如何协同工作。它不依赖C语言式的malloc/free，而是由解释器自动调度——但自动不等于不可知。真正掌握的关键，是看懂变量名、对象、内存地址三者的关系，以及什么情况下引用计数会失效、为什么需要循环垃圾收集器（gc模块）。
对象、引用与id()：从最基础的内存视角出发
Python中变量不是“容器”，而是“标签”。赋值操作（如 a = [1, 2, 3]）本质是让标签 a 指向一个新创建的列表对象。该对象在堆内存中分配，id(a) 返回的就是它的内存地址（CPython下为实际地址）。多个变量可指向同一对象（如 b = a），此时引用计数+1；当所有标签被删除或重新赋值，引用计数归零，对象立即被回收。
- 用 sys.getrefcount(obj) 查看当前引用数（注意：调用它本身会让计数+1）
- 用 is 判断两个变量是否指向同一对象（比 == 更底层）
- 小整数（-5 ~ 256）和短字符串会被缓存复用，id() 可能相同，这不是bug，是优化
引用计数的局限：循环引用为何必须靠gc模块
当两个或多个对象相互持有对方的引用（例如父对象存子对象，子对象又存父对象），即使外部已无任何变量指向它们，它们的引用计数也不会归零，导致内存无法释放。这就是纯引用计数机制的盲区。
- 典型场景：树结构节点、观察者模式中的回调绑定、自定义类中用字典缓存反向引用
- CPython用 gc 模块定期扫描堆中不可达的循环引用组，并清理它们
- 可用 gc.collect() 手动触发回收，gc.get_stats() 查看各代回收统计
内存泄漏排查实战：从现象到定位
真实项目中，内存缓慢增长往往不是代码写错，而是无意中积累了长生命周期引用。常见泄漏点包括全局缓存未清理、闭包捕获了大对象、日志/调试代码保留了对象引用、线程局部存储（threading.local）未及时清除。
立即学习“Python免费学习笔记（深入）”；
- 用 tracemalloc 模块追踪内存分配源头：tracemalloc.start() → 运行可疑代码 → tracemalloc.get_top_statistics('lineno')
- 用 objgraph 库可视化对象引用关系：objgraph.show_most_common_types(limit=20) 快速发现异常多的对象类型
- 检查 weakref 是否可用——对非必需的反向引用，优先用弱引用来避免延长对象寿命
性能敏感场景下的可控实践
多数应用无需干预内存管理，但在高频创建销毁小对象（如解析大量JSON）、或处理超大数组（NumPy）时，理解底层行为有助于规避陷阱。
- 避免在循环内拼接字符串：s += item 每次都新建str对象；改用 list.append() + ''.join()
- 用 __slots__ 减少实例字典开销，尤其适合创建海量轻量对象（如ORM模型实例）
- 大文件读取别用 readlines() 一次性加载，改用迭代器（for line in f:）或生成器表达式
