小整数缓存范围是-5到256（含），这是cpython实现的性能优化，基于高频使用经验设定，并非语言规范要求；超出该范围的整数每次创建均为新对象，故应始终用==而非is比较数值相等。
Python 中的小整数缓存（small integer caching）是面试中高频出现的概念，核心在于理解 is 与 == 的区别、对象身份与值相等的差异，以及 CPython 实现层面的优化策略。
小整数缓存的范围是多少？为什么是这个范围？
CPython 默认缓存 -5 到 256（含两端）之间的所有整数。这个范围不是语言规范强制要求的，而是 CPython 解释器的实现细节（见 Objects/longobject.c 中的 NSMALLPOSINTS 和 NSMALLNEGINTS 宏定义）。
选择该范围主要基于经验统计：日常代码中，这个区间内的整数被频繁使用（如循环索引、布尔结果、列表长度、ASCII 码等），缓存它们能显著减少内存分配和垃圾回收开销。
- 超出该范围的整数每次创建都是新对象（即使值相同）
- 不同 Python 实现（如 PyPy、Jython）可能不缓存，或缓存策略不同
- 该行为不可依赖于跨版本或跨实现的稳定性
为什么 a = 256; b = 256; a is b 返回 True，但 a = 257; b = 257; a is b 却不一定？
因为 256 在缓存范围内，解释器在编译期或运行期复用同一个对象；而 257 不在缓存范围内，通常每次字面量出现都会新建一个 int 对象。
立即学习“Python免费学习笔记（深入）”；
但注意：在交互式环境或同一代码块中，编译器可能做常量折叠（constant folding）优化，导致看似“意外”的 is 为 True：
# 同一行或同一代码块中，可能被优化为同一对象 a, b = 257, 257 # 可能 a is b → True（因常量合并） c = 257; d = 257 # 也可能 True（取决于编译器处理方式） <h1>但分开执行就大概率是 False</h1><p>e = 257 f = 257 print(e is f) # 很可能 False
因此，永远不要用 is 比较整数是否相等——应使用 ==。
如何验证某个整数是否被缓存？
最直接的方法是检查两个相同值的整数对象是否为同一对象：
def is_cached(n):
a = n
b = n
return a is b
<p>print(is_cached(256)) # True
print(is_cached(257)) # 通常 False（但非绝对，见上条说明）
更严谨的方式是观察对象 ID 是否一致，或借助 sys.getrefcount()（注意：调用本身会临时增加引用计数）：
- 缓存整数的引用计数通常远高于普通整数（因全局持有）
- 但
getrefcount()不适合用于判断缓存，仅作辅助观察
面试中容易踩坑的延伸问题
考官常借小整数缓存引申出更深层的理解：
-
为什么
True is 1和False is 0是 False？ 因为bool是int的子类，但True和False是单例对象，各自独立于整数缓存池。它们的 ID 与1、0不同。 -
字符串也有类似缓存吗？
有，叫“字符串驻留（string interning）”，但规则不同：仅对符合标识符规则的字符串（如变量名）自动驻留；可手动用
sys.intern()强制驻留。 -
能否禁用或修改小整数缓存？
不能。这是 CPython 编译时硬编码的优化，用户层无法更改。试图绕过它（如用
int("257")）仍会生成新对象。
掌握小整数缓存的关键，不在于死记 -5~256，而在于理解其背后的性能动机、明确 is 的语义（对象同一性）、并养成用 == 做数值比较的习惯。这是 Python “显式优于隐式” 和 “实用主义优先” 设计哲学的一个典型缩影。
