Python切片不是简单的“取子序列”，而是一次独立的内存操作：它会创建新对象，复制原始数据（对于可变序列如 list、bytearray），或共享底层数据（对于不可变序列如 str、tuple，在某些实现中可能复用）。
切片总是返回新对象
无论原对象是否可变，切片表达式 s[i:j:k] 总是返回一个**全新对象**，与原对象在内存中完全独立：
- list 切片：分配新列表，逐个拷贝引用（浅拷贝），原 list 改变不影响切片结果，反之亦然；
- str/tuple 切片：返回新字符串或元组，但 CPython 中对 str 常做“interning”或缓冲区视图优化，逻辑上是新对象，物理上可能复用字符内存（不暴露给用户，不可依赖）；
- bytes 切片：返回新 bytes 对象，底层字节数据被复制（CPython 3.12+ 对小切片可能延迟复制，但语义仍是值拷贝）。
性能关键：复制开销取决于类型与大小
切片的耗时主要来自两部分：索引计算 + 元素拷贝。影响显著的因素有：
- 序列长度和切片长度：list 切片 O(k)，k 是切片元素个数，不是原列表长度；
- 元素类型复杂度：切 list 时只拷贝对象引用（8 字节/个，64 位系统），不深拷贝内容，所以切含大 dict 的 list 很快；
-
不可变类型的优化空间：str 在 CPython 中使用“string interning”和“rope-like”子串视图（内部未公开 API），使得
s[1000:1005]不必拷贝全部字符，但用户看到的行为仍是“新字符串”； -
步长 k ≠ 1 会降低缓存局部性：例如
lst[::2]遍历间隔访问，CPU 缓存命中率下降，比lst[:]略慢，尤其大数据量时。
避免意外复制：何时该用切片，何时该用视图？
Python 标准类型没有“只读视图”（如 NumPy 的 view），但可通过其他方式规避复制：
立即学习“Python免费学习笔记（深入）”；
- 需要只读访问且数据极大 → 考虑
memoryview（支持 bytes/bytearray/buffer 协议）：mv = memoryview(b)[100:200]不复制字节，仅创建轻量视图； - 处理文本子串且关心性能 → str 切片本身已高度优化，无需手动替代；
- 频繁切 list 并修改 → 若只是遍历，改用索引迭代（
for i in range(i_start, i_end, step)）避免生成中间 list； - 需真正共享数据逻辑 → 显式传递原对象 + 起止索引，或封装为自定义类（如
SubList(lst, start, stop)），而非依赖切片。
验证复制行为的小技巧
用 id() 和 is 只能判断对象身份，不能代替逻辑判断；可靠方式是观测可变性：
- 对 list 切片后修改子列表，原列表不变 → 证明是副本；
- 对 list 中嵌套的 dict 执行
slice[0]['x'] = 1，原 list 对应位置也变 → 说明引用被共享（浅拷贝正常行为）； - 用
sys.getsizeof()粗略对比：切大 list 前后内存增长约len(slice) * 8字节（引用大小），而非元素实际体积。
