<p>arr.nbytes 是 NumPy 数组实际占用的内存字节数，准确反映数据区大小；而 arr.itemsize 是单个元素字节大小，二者满足 arr.nbytes == arr.size * arr.itemsize（仅对连续数组成立）。</p>
怎么快速知道 NumPy 数组占多少内存
直接看 arr.nbytes —— 它就是数组总字节数，最准、最省事。别自己算形状乘类型大小，除非你在调试底层行为或验证数据布局。
arr.nbytes 和 arr.itemsize 有什么区别
arr.nbytes 是整个数组在内存里占的字节数（只读），arr.itemsize 是单个元素占几个字节（比如 int64 是 8，float32 是 4）。两者关系是：arr.nbytes == arr.size * arr.itemsize，但注意：这个等式只对常规连续数组成立。
- 如果数组是
view（比如切片后没拷贝），arr.nbytes仍反映实际占用的内存块大小，而arr.size * arr.itemsize可能小得多 - 如果数组用了
__array_interface__或__array_struct__指向外部内存（如来自 C 库），arr.nbytes依然准确，但你不能假设它等于shape各维度乘积 ×itemsize - 结构化数组（
dtype含多个字段）中，arr.itemsize是每个“行”的字节长度，arr.nbytes仍是总长，但字段可能有填充（padding），所以不能按字段itemsize简单加总
为什么有时候 arr.nbytes 和 sys.getsizeof(arr) 差很多
sys.getsizeof() 返回的是 Python 对象本身的开销（比如指针、引用计数、对象头），不是数组数据区的大小；arr.nbytes 才是纯数据内存。前者通常几十到几百字节，后者才是 MB/GB 级的真实占用。
- 用
sys.getsizeof()判断数组内存压力毫无意义，它甚至不包含数据缓冲区 - 如果你用
memory_profiler或系统级工具（如/proc/[pid]/status），它们看到的才是arr.nbytes对应的那块内存 - 特别注意：
arr.data是memoryview，sys.getsizeof(arr.data)也不等于arr.nbytes，它只是 view 对象自身开销
结构化数组和 strided view 下的常见误判
结构化数组或非连续视图（比如 arr[::2]）容易让人低估真实内存占用——因为 arr.nbytes 仍返回底层缓冲区总长，而不是逻辑上“可见”部分的大小。
-
arr[::2].nbytes和原数组一样（只要没 copy），哪怕你只取一半元素 - 结构化数组中，
arr.dtype.itemsize包含 padding 字节，arr.itemsize就是它，arr.nbytes忠实反映这部分 - 想查“逻辑数据量”，得手动算：比如
len(arr) * sum(f[1].itemsize for f in arr.dtype.fields.values())，但这忽略对齐和 padding，结果往往偏小
真正容易被忽略的是：arr.nbytes 不撒谎，但它不承诺“可回收”——比如一个大数组的切片 view 仍 hold 住整块内存，删掉原变量也没用，必须显式 copy() 或用 np.ascontiguousarray() 控制生命周期。
