Python缓存整数
整数，在Python中，不是以传统的2、4或8字节实现，而是将其实现为以230为基数的整数数组，因此Python支持超长整数。又因为整数没有明确的长度限制，所以在Python中使用整数非常方便，即使我们对很长的整数进行运算，也不必担心整数溢出。但这种便利的代价是资源分配较高，同时常用运算（例如加法，乘法，除法）的执行效率较低。
Python中的每个整数都实现为一个C语言结构体, 如下所示。
可以观察到，与其它的较长整数相比，-5至256范围内的较小整数使用非常频繁，为了性能上优势，Python在初始化过程中预先分配了该范围内的整数对象，并使它们成为单例，因此每次在使用较小整数时, 使用的是相应单例的引用，而不是重新分配新的整数对象。
下面是Python官方文档中关于整数预分配的相关内容:
“当前的整数实现会为-5至256之间的所有整数维护一个整数对象数组，当你创建该范围内的整数时, 你实际得到的是现有整数对象的引用。”
在CPython的源码中，可以在IS_SMALL_INT宏和longobject.c模块中的get_small_int函数中跟踪此优化。因此，Python为常用整数节省了大量的空间和计算量。
验证这些较小整数对象是否是单例
对于CPython, 内置的id函数返回对象的内存地址。这意味着，如果较小整数确实是单例，对于相同较小整数值的两个实例， id函数应该返回相同的内存地址，而对于较长整数的多个实例应返回不同的内存地址，这确实是我们观察到的：
较小整数的这种单例现象也可以在计算过程中观察到。在下面的示例中，通过对三个不同的整数2、4和10进行两次运算，我们得到了相同的目标值6，并且在这两种情况下，我们看到id函数返回了相同的内存地址:
验证这些较小整数对象是否经常被引用
我们已经确定，在Python中使用较小整数，是通过引用它们相应的单例对象来实现，而无需每次都重新分配内存创建整数对象。现在我们需要验证以下假设：“Python初始化的时候, 通过这些单例对象，确实节省了大量的内存分配操作”；我们可以通过检查每个整数值的引用计数来验证上面的假设。
引用计数
引用计数，维护着同一对象在不同位置被引用的数目，对象每次被引用时，其属性ob_refcnt(对象引用计数)会增加1，对象引用被取消时, ob_refcnt会减少1，当引用计数为0时，该对象将会被垃圾回收。
我们使用sys模块中的getrefcount函数来获取一个对象的当前引用计数；
当对-5至300之间的所有整数执行此操作时，我们得到以下分布：
上图显示，较小整数的引用计数很高，表明使用率很高，同时引用计数随着这些整数值的增加而降低；这证实了, 在Python初始化期间, 相比于较长整数，较小整数被更多对象引用。
整数值0被引用的最多——359次，沿着分布图的长尾，可以看到引用计数的峰值为2的幂次，如32, 64, 128和256。Python在初始化的过程中本身需要较小整数值，因此通过单例模式节省了大约1993次的较小整数对象的创建。
这些引用计数是在新打开的Python进程计算的，这意味着，Python初始化时，需要使用一些整数值进行计算，并通过使用较小整数值的单例来加速计算。
在通常的编程实践中, 相比于较长整数，较小整数的使用更频繁，并且这些整数值的单例实例可以为Python节省大量的计算量和内存分配操作。
参考:
Python Object Types and Reference Counts
How python implements super-long integers
Why Python is Slow: Looking Under the Hood
英文原文：https://arpitbhayani.me/blogs/python-caches-integers
译者：张恒源