Python list 扩容机制与性能影响

Python list 的 append 平均时间复杂度为 O(1)，因其底层采用动态数组并预分配冗余空间；容量不足时，CPython 以约 1.125 倍（newsize = newsize + (newsize >> 3) + (newsize

Python list 的 append 为什么平均 O(1)？

因为 list 底层用的是动态数组，不是每次 append 都 realloc —— 它会预分配额外空间。当容量不够时，CPython 会把容量扩大到约 1.125 倍（具体是 newsize = (size_t)newsize + (newsize >> 3) + (newsize ），留出缓冲区。

这意味着连续 append 多次，实际内存重分配次数远少于元素个数。但“平均 O(1)”不等于“每次 O(1)”：某次扩容可能卡住几十微秒，尤其在大列表上。

• 别在实时敏感循环里反复 append 百万级数据，考虑预分配 [None] * n 或用 array.array
• sys.getsizeof(my_list) 看的是当前分配的总字节数，不是逻辑长度；len(my_list) 才是真实元素数
• 扩容公式在 PyPy 或其他实现里不同，别硬套 CPython 的 1.125 倍

什么时候该用 extend 而不是 for + append？

extend 是单次调用、批量扩容，比手动循环 append 少触发多次检查和潜在扩容。它内部会先估算总长度，再一次性调整容量。

常见错误是写成：

立即学习“Python免费学习笔记（深入）”；

for item in huge_iterable:
    my_list.append(item)

这在 huge_iterable 有 10 万项时，可能触发 10–20 次扩容；而 my_list.extend(huge_iterable) 通常只扩容 1–2 次。

eMart 网店系统

功能列表：底层程序与前台页面分离的效果，对页面的修改无需改动任何程序代码。完善的标签系统，支持自定义标签，公用标签，快捷标签，动态标签，静态标签等等，支持标签内的vbs语法，原则上运用这些标签可以制作出任何想要的页面效果。兼容原来的栏目系统，可以很方便的插入一个栏目或者一个栏目组到页面的任何位置。底层模版解析程序具有非常高的效率，稳定性和容错性，即使模版中有错误的标签也不会影响页面的显示。所有的标

下载

• extend 接收任意可迭代对象，但会立刻遍历它——传生成器也没用“懒”，照样全加载进内存
• 如果 huge_iterable 实际长度未知（比如网络流 chunk），extend 可能不如分批 append 安全
• extend 不支持非序列类型（如 int），会报 TypeError: 'int' object is not iterable

del、pop(-1) 和 clear 对底层容量有影响吗？

没有。删除元素只改 ob_size（逻辑长度），不缩容。也就是说，my_list.clear() 后 sys.getsizeof(my_list) 几乎不变，内存没还给系统。

这是为了防止“删完再加又得扩容”的抖动，但也是个隐藏坑：长期复用一个列表做临时容器，可能一直占着大内存。

• 真要缩容，只能重建：my_list[:] = [] 或 my_list = []（后者让原对象被回收）
• pop(0) 性能差（O(n)），因为它要整体前移元素；而 pop(-1) 是 O(1)，且不改变底层容量
• del my_list[5] 同样是 O(n)，且不会触发缩容——哪怕删到最后一个元素

用 list 做队列（FIFO）会掉进什么坑？

用 list.append() + list.pop(0) 模拟队列，时间复杂度是 O(n) 每次出队，因为每次都要搬移前面所有元素。

这不是“慢一点”的问题，而是数据量过万后延迟直接跳变：10 万元素的 list，pop(0) 可能花 10ms 以上。

• 真要 FIFO，用 collections.deque——它的 popleft() 是 O(1)，底层是双向链表块
• deque 不支持 O(1) 索引访问（d[1000] 是 O(n)），别把它当 list 替代品乱用
• 如果只是偶尔插头/删尾，list 没问题；但只要出现 insert(0, x) 或 pop(0)，就该警觉

扩容机制本身不难理解，难的是它和使用模式耦合后的隐性成本——比如你以为 clear() 释放了内存，其实没；你以为 pop(0) 很快，结果成了性能瓶颈。这些点不报错，也不警告，只在数据量上来时悄悄拖慢整个流程。