列表切片必然创建新列表对象，因为CPython实现中每次切片都分配新内存并复制引用；避免副本需用itertools.islice、numpy.ndarray或memoryview等替代方案。
列表切片必然创建新列表对象
Python 的 list 切片（如 a[100:200]）**总是生成一个新的 list 对象**，哪怕只取一个元素。这不是“浅拷贝”或“深拷贝”的选择问题，而是 CPython 实现决定的：它分配新内存、复制所有引用（每个引用 8 字节）、加上 72 字节固定开销。你无法用原生 list 切片获得“视图”。
避免副本的三个实际路径
想绕过副本，得换数据结构或访问方式：
-
用
itertools.islice替代切片：它返回迭代器，不建新列表。适用于只需遍历一次的场景，比如逐行处理日志子集。注意：islice不支持负索引，且不能随机访问（result[5]会报错）。 -
转成
numpy.ndarray：切片返回视图（共享内存），b = a[100:200]不拷贝数据。但代价是引入 NumPy 依赖，且必须保证 dtype 统一；若后续要传给纯 Python 函数，仍需调用b.copy()防止意外修改原始数组。 -
用
memoryview或 Cython 内存视图：仅适用于 bytes、bytearray、array.array或 NumPy 数组。对普通list无效——因为list没有连续内存布局，无法暴露缓冲区。
常见误判与陷阱
很多人以为 a[:] == a 或 id(a[1:]) != id(a) 说明“没拷贝内容”，其实只是混淆了对象和引用：
-
a[1:]中每个元素仍是原对象的引用，但容器本身是全新对象——sys.getsizeof(a[1:])总比sys.getsizeof(a)小，但绝不是零开销。 - 试图用
del a[:100]“原地裁剪”大列表，反而更慢：CPython 的 list 删除前段会触发整块内存移动，时间复杂度 O(n)。 - 用
deque替代 list 做批量弹出（如popleft()）确实避免切片，但deque的随机访问是 O(n)，别在需要频繁索引时硬套。
真正需要“零拷贝”时的取舍
如果业务逻辑强制要求大量随机访问 + 零内存冗余（比如实时信号处理），list 本身就是错误选型。此时要么迁移到 numpy，要么用 array.array（仅限数值类型）+ memoryview。但要注意：memoryview 一旦脱离原始 buffer 生存期就失效，而 list 的“安全副本语义”恰恰是它的设计哲学——宁可多占点内存，也不让子切片意外影响源头。
立即学习“Python免费学习笔记（深入）”；
