range本身几乎不占内存（仅存start/stop/step，约48–96字节），真正爆内存的是list(range(...))等强制展开操作，因list需存储每个int对象（CPython中≥28字节）及元数据。

range 本身不生成超大数组，它几乎不占内存；真正占用大量内存的是 list(range(...)) 这种显式转换操作。很多人误以为 “range(10**9)” 很重，其实它只存三个整数（start/stop/step），内存约 48–96 字节。问题出在把它当成“数组”来用——一旦调用 list()、json.dumps()、pandas.DataFrame() 或直接做切片赋值等，就会强制展开全部元素，瞬间爆内存。

为什么 list(range(n)) 会爆内存

Python 的 list 是真实容器，每个整数都是独立对象（CPython 中一个 int 至少占 28 字节），加上列表头开销：

• range(10**7)：≈ 48 字节
• list(range(10**7))：约 280 MB（1000 万个 × 28 字节 + 元数据）
• list(range(10**9))：极大概率触发 MemoryError，系统无法分配连续内存块

真正低内存的替代方案

不追求“一次性拿到所有数”，而是按需访问或流式处理：

• 直接用 range 对象：支持 len()、in、索引（r[1234567]）、切片（返回新 range），全部 O(1) 时间且零额外存储
• 生成器表达式：如 (x * 2 for x in range(10**8))，仅保存迭代状态，内存恒定 ≈ 几百字节
• array.array：适合纯数值场景，array.array('i', range(10**7)) 占约 40 MB（紧凑 C int 存储）
• numpy.memmap：数据存在磁盘，按需加载页，可处理 TB 级数组，内存占用稳定在几 MB

哪些操作会让 range “悄悄变重”

看似无害，实则立刻放弃惰性优势：

• list(range(10**6)) —— 最常见错误
• json.dumps(range(10**5)) —— json 不识别 range，自动转 list
• pd.Series(range(10**6)) —— pandas 内部强制展开
• print(range(10**6)) —— 某些 IDE 会预取前若干项，间接触发部分迭代

需要随机访问又想省内存？试试 numpy.arange + memmap

如果业务真要像数组一样索引、切片、广播运算，但数据太大放不下 RAM：

• 用 np.memmap('data.dat', dtype='int64', mode='w+', shape=(10**9,)) 创建内存映射文件
• 再用 np.arange 分块写入，或直接计算后存入对应位置
• 后续读取 mmapped_arr[123456789] 时，操作系统只加载对应磁盘页，不全载入内存