位运算不优化布隆过滤器内存，真正决定内存的是位数组长度m和哈希函数个数k；m由n和p通过公式m=-n·log(p)/log²2计算，k=(m/n)·log2取整，错误设置会导致内存浪费和误判率升高。
直接结论：位运算本身不优化布隆过滤器内存，它只是实现布隆过滤器的必要手段；真正决定内存占用的是位数组长度 m 和哈希函数个数 k，而这两个参数由预期元素数 n 和误判率 p 决定。
为什么不能靠“更炫的位运算”省内存？
布隆过滤器的底层就是一个大块 bytearray 或 bitarray（或手动用 int 数组模拟），每个 bit 表示一个桶是否被置 1。无论你用 a |= (1 还是调用 <code>bitarray.set(i)，最终存的都是 1 bit —— 没有更小的存储单元了。所谓“优化”，其实是避免常见低效写法：
- 不用
list[bool]：每个True/False占 28 字节（CPython 对象开销），不是 1 bit - 不用
array.array('b')：每个元素是 1 byte，浪费 7/8 空间 - 手写位操作时没对齐字节边界：比如用
int数组但每次只操作低 32 位，却分配了 64 位整数，反而浪费
必须用 bitarray 或手动 bytearray + 位偏移
Python 标准库没有原生 bit 数组，bitarray 是最直接选择；若不能装第三方包，就得用 bytearray 手动管理：
class BloomFilter:
def __init__(self, m):
self.m = m
self.data = bytearray((m + 7) // 8) # 向上取整到字节
<pre class="brush:python;toolbar:false;">def _set_bit(self, i):
byte_idx = i // 8
bit_idx = i % 8
self.data[byte_idx] |= (1 注意：i % 8 比 i & 7 更安全（负索引时不会错），但若确保 i >= 0，后者更快；(m + 7) // 8 是标准字节对齐写法，别写成 ceil(m / 8)（引入浮点误差）。
哈希函数数量 k 和位数组长度 m 才是关键
很多人花时间优化位操作，却用错 m 和 k，导致内存翻倍还误判率更高。公式是：
-
m = -n * log(p) / (log(2) ** 2)（单位：bit） -
k = (m / n) * log(2)（向下取整为整数，通常 3–7）
例如 n=100_000, p=0.01 → m ≈ 958_505 bit ≈ 117 KB；若误用 k=10，实际需要更大 m 才能压住误判率，反而更占内存。用 mmh3.hash() 做多哈希时，别重复计算整个 key 的 hash，而是用 mmh3.hash(key, seed) 改 seed 生成 k 个独立值 —— 快且省内存。
真正容易被忽略的是：位数组大小 m 必须在初始化时就定死，后续无法扩容；而哈希函数输出的索引必须严格模 m（% m），不能只用低位截断（& (m-1)），除非 m 是 2 的幂 —— 但那样会强制增大 m，浪费空间。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
