4. 数据结构选型：list vs tuple vs array vs deque，以及 __slots__ 优化内存布局

在低延迟因子评分接口中，每一纳秒的访问延迟、每一个字节的内存占用都可能成为瓶颈。Python 内置的多种序列型数据结构——list、tuple、array、deque——虽然都支持“按索引访问”，但它们在内存布局、缓存友好度、修改开销和线程安全方面存在显著差异。选错数据结构，轻则增加 GC 压力，重则导致评分流水线整体吞吐下降 30% 以上。

本章从底层实现出发，对比四种数据结构的性能特征，并引入 __slots__ 机制来进一步压缩因子对象的内存占用。

4.1 四种序列型数据结构的内存与性能对比

下表从 存储粒度、修改开销、迭代速度 和 适用场景 四个维度进行横向对比：

4.2 选型决策流程

在因子评分接口中，数据结构的选型应遵循以下决策树：

1. 数据是否在创建后完全不变？ → 是 → 使用 tuple（享元模式，可哈希）。
2. 数据是否为纯数值类型（float/int）？ → 是 → 使用 array('d') 或 array('f')。
3. 是否需要频繁在头部插入/弹出？ → 是 → 使用 deque。
4. 以上都不满足，且需要通用对象存储？ → 使用 list，但配合 __slots__ 优化元素对象。

4.3 内存布局对比：指针 vs 连续内存

下图展示了 list 与 array('d') 在内存中的实际布局差异：

4.4 __slots__：压缩因子对象内存布局

在因子评分接口中，每个因子通常被建模为一个 Python 对象，包含名称、权重、当前值、历史窗口等属性。默认情况下，每个对象都维护一个 __dict__ 字典来存储实例属性，这带来了巨大的内存开销（约 56 字节/属性 + 字典哈希表）。

__slots__ 通过声明固定属性列表，让 Python 为每个实例分配紧凑的 描述符数组，彻底消除 __dict__ 和 __weakref__ 的开销。

4.4.1 使用前后对比

4.4.2 代码示例

# 未使用 __slots__：每个因子对象约 120 字节
class Factor:
    def __init__(self, name: str, weight: float, value: float):
        self.name = name
        self.weight = weight
        self.value = value

# 使用 __slots__：每个因子对象约 56 字节
class FactorSlots:
    __slots__ = ('name', 'weight', 'value')
    def __init__(self, name: str, weight: float, value: float):
        self.name = name
        self.weight = weight
        self.value = value

4.5 综合选型策略：因子评分流水线中的数据结构组合

下图展示了一个典型的因子评分流水线中，不同阶段应选用的最优数据结构：

4.6 避坑清单

• 不要对 array 进行频繁的 append 操作：虽然均摊 O(1)，但每次扩容都会触发内存重分配和拷贝。预分配长度（array('d', [0.0]) * n）可避免此开销。
• 不要将 deque 用于随机访问：虽然索引访问是 O(1)，但实际需要遍历块内偏移，比 list 慢 3-5 倍。
• 不要忘记 __slots__ 的继承限制：子类必须重新定义 __slots__，否则会重新启用 __dict__。
• 不要对 tuple 使用 __slots__：tuple 本身已是不可变序列，无法定义 __slots__。
• 不要在 __slots__ 类中定义 __dict__：如果需要在运行时动态添加属性，应使用普通类或显式声明 __dict__ 在 __slots__ 中。