NumPy广播省内存的关键在于不复制数据而只修改步长（strides），通过stride为0实现维度复用；真正耗内存的是显式复制操作或中间结果缓存。
广播不复制数据，只改步长（strides）
NumPy广播真正省内存的关键，在于它根本没生成新数组。比如 np.array([1, 2, 3]) + 10，标量 10 不会变成 [10, 10, 10] 存进内存；而是通过调整底层 strides 参数，让同一个内存地址被重复“读取”三次。你可以验证：np.broadcast_to(np.array([1, 2, 3]), (3, 3)).strides 返回类似 (0, 8) —— 第一个步长是 0，就代表该维不移动、原地复用。
广播失败时才可能意外占内存
真正吃内存的不是广播本身，而是你误以为广播在起作用、结果却触发了显式复制的操作。常见陷阱包括：
- 混用
pandas.Series和 NumPy 数组：Series 的算术运算会强制转为对象数组或触发np.tile类行为 - 用了
np.tile、np.repeat或.reshape(-1, 1).repeat()等显式扩展函数 - 在广播后立刻做高维中间计算，比如
X[:, None, :] - Y[None, :, :]生成 (m, n, d) 三维差值数组，而 m、n 很大
广播省的是 Python 层循环 + 内存分配开销
对比来看：
- 手动循环：Python for 循环调用 C 函数 m×n 次，每次都要检查类型、分配临时变量
- 广播版：一次 C 层索引偏移遍历，所有逻辑由 stride 控制，无中间对象、无解释器开销
- 性能差异实测常达 10–50 倍，尤其在 (1000, 50) 量级数组上减均值这类操作
但要注意：广播的“零拷贝”只保证不额外分配同形状内存，并不意味着永远不耗内存——如果运算逻辑本身需要缓存中间结果（如 np.einsum 默认行为），或你把广播结果赋给新变量并持续持有，那该占的还是占。
立即学习“Python免费学习笔记（深入）”；
