Python列表切片必然分配新内存，每次执行如data[1:5]都会调用PyList_New()创建新对象，id恒不等；其本质是动态数组无法支持视图，只能浅拷贝引用。
list切片必然分配新内存，不是“可能”而是CPython实现决定的
每次执行 data[1:5] 或 data[:]，CPython 都会调用 PyList_New() 分配一块全新内存，再把对应位置的元素引用逐个复制过去。这意味着哪怕切片长度为 0（如 data[10:10]）或 1（如 data[3:4]），也一定产生新对象，id(old) != id(new) 恒成立。
根本原因在于 Python 的 list 是动态数组：它内部只存一串指向实际对象的指针，这些对象本身内存地址完全离散。无法像 numpy.ndarray 那样暴露连续缓冲区并做偏移映射——所谓“视图”在纯 Python list 上不可行。
data[:].sort() 为什么没效果？因为副本被直接丢弃
这常被误认为是 bug，其实是切片 + 方法链式调用的典型陷阱：
-
data[:]创建一个完整副本 A -
.sort()在 A 上原地排序 - A 没被赋值给任何变量 → 立即触发垃圾回收
-
data本身完全未变
同理，data[2:].append(x)、data[::-1].reverse() 全部无效。更隐蔽的是 if data[1:] == data[:-1]:：触发两次完整副本 + 逐元素比较，大数据量下内存和时间双爆炸。
立即学习“Python免费学习笔记（深入）”；
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
想绕开副本，只能换数据结构或接口
list 本身不支持零拷贝切片。真要避免，只有三条现实路径：
-
itertools.islice(data, start, stop)：返回迭代器，不建新列表，但不支持索引（result[5]报错）、不支持负索引 -
numpy.array(data)[start:stop]：返回视图（共享内存），但要求所有元素类型一致，且引入 NumPy 依赖 -
array.array('i', data)+memoryview()：仅适用于数值型，且原始array生命周期必须长于memoryview
别用 del data[:n] “原地裁剪”来省内存——CPython 会把后面所有元素往前挪，仍是 O(n) 时间，且因 over-allocation 机制，实际释放的空间远少于预期。
循环中频繁切片是内存泄漏高发场景
在日志处理、流式分批等循环逻辑里写 for batch in [data[i:i+100] for i in range(0, len(data), 100)]:，等于每轮都创建新列表对象。这些临时对象若被意外闭包捕获、或与长生命周期对象形成引用环，垃圾回收器就无法及时释放，内存使用持续增长。
真正省内存的做法是改用 collections.deque 配合 popleft()，或用生成器 + itertools.islice 控制消费节奏——关键不是“怎么切”，而是“要不要真把整段数据一次性搬进内存”。
