Python空间复杂度优化的核心是减少内存占用和避免冗余数据结构，关键在于理解对象生命周期、善用生成器替代列表推导式、选用轻量内置类型、及时释放引用、按需加载与视图代替拷贝。
Python空间复杂度优化的核心是减少运行时对象的内存占用和避免不必要的中间数据结构。关键不在于“少写代码”，而在于理解对象生命周期、引用机制和内置类型的内存特性。
用生成器替代列表推导式
当只需要逐个处理元素，不需要一次性持有全部结果时，生成器能将 O(n) 空间降至 O(1)。比如遍历大文件行、处理海量API响应或数值序列计算：
- ❌ 浪费内存：
[x**2 for x in range(10**6)]立即创建百万个整数的列表 - ✅ 节省内存：
(x**2 for x in range(10**6))每次只产生一个值，不缓存全部结果 - 函数中用
yield返回迭代器，比 return 列表更省内存，尤其适合流式处理
善用内置类型与协议，避免冗余包装
Python对象有显著的内存开销（如空 dict 占约 240 字节，空 list 约 56 字节）。过度封装会快速累积成本：
- 用
tuple替代list存储不变数据（不可变性带来更小内存 footprint） - 用
namedtuple或dataclass(slots=True)替代普通 class，消除__dict__开销 - 字符串拼接优先用
''.join(list_of_str)，而非循环+=（后者每次创建新字符串对象）
及时释放不再使用的引用
Python 基于引用计数 + 垃圾回收，但大对象（如 ndarray、DataFrame、缓存字典）若被意外持有，会导致内存滞留：
立即学习“Python免费学习笔记（深入）”；
- 显式赋值为
None或del var可加速局部变量回收（尤其在长生命周期函数或循环中） - 避免闭包或类属性中长期持有可能很大的临时数据（例如把整个日志列表存进实例属性却不再使用）
- 用
weakref实现缓存或观察者模式，防止强引用阻碍回收
按需加载与视图代替拷贝
对大型数据结构，优先使用“视图”或“延迟加载”，而非复制全量副本：
- Pandas 中用
.loc[...].copy()显式拷贝；否则切片返回的是视图，修改可能影响原数据，但更省内存 - NumPy 数组切片默认返回视图（view），
arr[::2]不分配新内存；需要副本才调用.copy() - 读取大文件时用
itertools.islice或分块读取（如pandas.read_csv(chunksize=)），避免单次载入全部内容
