astype()不改变原数组内存，因返回新数组且未赋值；必须arr = arr.astype(dtype)才生效，且需检查arr.dtype和arr.nbytes确认。
为什么 astype() 改类型后内存没变小？
常见错觉：调用 arr.astype(np.float32) 后 arr.nbytes 没降 —— 因为没赋值回去。astype() 默认返回新数组，原数组不变。
- 必须显式赋值：
arr = arr.astype(np.float32) - 原地转换不可行（
astype()不支持copy=False保证安全），除非你确认数据可安全截断且用arr.view()或arr.dtype =（极少数场景，风险高） - 检查是否真改成功：
arr.dtype和arr.nbytes都要再看一遍
float32 和 int64 哪个更省内存？看原始类型再决定
从 float64 → float32：内存减半；从 int64 → int32：也减半；但 int64 本身比 float32 占更多字节（8 vs 4），所以“改成 int64”通常不省内存，反而是浪费。
- 原始是
float64？优先转np.float32 - 原始是
int64但数值范围 ≤ ±2147483647？可安全转np.int32（省一半） - 原始是
object或字符串？astype()会报TypeError: data type 'float32' not understood，得先用pd.to_numeric()或astype(str).astype(float)清洗 - 注意精度损失：
float32有效位数约7位，科学计数大数或微小差值可能出错
批量改 dtype 的坑：DataFrame 列类型不统一怎么办
对 pandas.DataFrame 直接 df.astype(np.float32) 会失败，如果某列含 NaN 且是整型（int64 列不能存 NaN），pandas 会自动升成 float64 再转，绕过你的意图。
- 逐列处理更稳：
df['col'] = df['col'].astype(np.float32) - 整表转换前，先过滤掉非数值列：
df.select_dtypes(include='number').astype(np.float32) - 含
NaN的整型列，要么填零/插值后再转int32，要么接受它变成float32（这是最常见、最安全的路径） - 别信
df.memory_usage(deep=True).sum()的初始值——它可能缓存旧 dtype，改完立刻重算
astype() 性能不总快：小数组别硬转，大数组注意副本开销
astype() 必然创建新数组，意味着全量内存拷贝。对几 GB 的数组，这步本身耗时且瞬时内存翻倍（旧+新同时存在）。
- 小数组（
- 大数组：考虑
np.memmap或分块处理，避免一次性加载+转换 - 想原地改？
arr[:] = arr.astype(np.float32)看似省内存，实则仍需临时空间，且可能因精度截断导致静默错误 - 某些场景下，用
np.float32(arr)比arr.astype(np.float32)略快（底层调用更直接），但行为一致，不必强求
dtype 转换不是无损开关，float32 的精度边界、int 类型对 NaN 的排斥、DataFrame 中隐式类型提升，这些才是实际压内存时真正卡住的地方。
