所以我经常按照这样的模式编写代码:

_list = list(range(10)) # Or whatever
_list = [some_function(x) for x in _list]
_list = [some_other_function(x) for x in _list]

_list[:] = [some_function(x) for x in _list]

def some_function(number: int):
    return number*10

def main():
    _list1 = list(range(10))
    _list2 = list(range(10))

    a = _list1
    b = _list2 

    _list1 = [some_function(x) for x in _list1]
    _list2[:] = [some_function(x) for x in _list2]

    print(f"list a: {a}")
    print(f"list b: {b}")


if __name__=="__main__":
    main()

list a: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
list b: [0, 10, 20, 30, 40, 50, 60, 70, 80, 90]

from memory_profiler import profile


def normalise_number(number: int):
    return number%1000


def change_to_string(number: int):
    return "Number as a string: " + str(number) + "something" * number


def average_word_length(string: str):
    return len(string)/len(string.split())


@profile(precision=8)
def mutate_list(_list):
    _list[:] = [normalise_number(x) for x in _list]
    _list[:] = [change_to_string(x) for x in _list]
    _list[:] = [average_word_length(x) for x in _list]


@profile(precision=8)
def replace_list(_list):
    _list = [normalise_number(x) for x in _list]
    _list = [change_to_string(x) for x in _list]
    _list = [average_word_length(x) for x in _list]
    return _list


def main():
    _list1 = list(range(1000))
    mutate_list(_list1)

    _list2 = list(range(1000))
    _list2 = replace_list(_list2)

if __name__ == "__main__":
    main()

Line #    Mem usage    Increment   Line Contents
================================================
    16  32.17968750 MiB  32.17968750 MiB   @profile(precision=8)
    17                             def mutate_list(_list):
    18  32.17968750 MiB   0.00000000 MiB       _list[:] = [normalise_number(x) for x in _list]
    19  39.01953125 MiB   0.25781250 MiB       _list[:] = [change_to_string(x) for x in _list]
    20  39.01953125 MiB   0.00000000 MiB       _list[:] = [average_word_length(x) for x in _list]


Filename: temp2.py

Line #    Mem usage    Increment   Line Contents
================================================
    23  32.42187500 MiB  32.42187500 MiB   @profile(precision=8)
    24                             def replace_list(_list):
    25  32.42187500 MiB   0.00000000 MiB       _list = [normalise_number(x) for x in _list]
    26  39.11328125 MiB   0.25781250 MiB       _list = [change_to_string(x) for x in _list]
    27  39.11328125 MiB   0.00000000 MiB       _list = [average_word_length(x) for x in _list]
    28  32.46484375 MiB   0.00000000 MiB       return _list

最佳答案

很难规范地回答这个问题，因为实际细节是依赖于实现的，甚至是依赖于类型的。

例如在 CPython 当一个对象达到引用计数为零时，它就会被处理掉并立即释放内存。然而，有些类型有一个额外的“池”，它在你不知道的情况下引用实例。例如，CPython 有一个未使用的“池”list实例。当最后引用一个 list在 Python 代码中删除它 5 月 被添加到这个“空闲列表”而不是释放内存(需要调用一些东西 PyList_ClearFreeList 来回收该内存)。

但是列表不仅仅是列表所需的内存，一个列表包含 对象。即使当列表的内存被回收时，列表中的对象仍然可以保留，例如，在其他地方仍然存在对该对象的引用，或者该类型本身也有一个“空闲列表”。

如果您查看其他实现，例如 PyPy 那么即使没有“池”，当没有人再引用它时，对象也不会立即处理，它只会“最终”处理。

那么这与您可能想知道的示例有何关系。

让我们来看看你的例子:

_list = [some_function(x) for x in _list]

_list[:] = [some_function(x) for x in _list]

_list = list(range(10)) # Or whatever
_list = [some_function(x) for x in _list]
_list = [some_other_function(x) for x in _list]

def generate_values(it):
    for x in it:
        x = some_function(x)
        x = some_other_function(x)
        yield x

for item in generate_values(range(10)):
    print(item)

list(generate_values(range(10)))

关于突变和重新分配列表之间的 Python 区别(列表 = 和列表 [:] = )，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/56308475/