为什么Python的range对象是序列类型？

一、核心回答：序列协议契约与类型归属

Python 判断一个对象是否为“序列类型”，依据的不是该对象在内存中是否连续物理存储所有元素，而是它是否完整履行动作协议契约。在 Python 官方抽象基类体系（collections.abc）中，序列（Sequence）必须满足以下核心特征：

• 确定长度：支持 len() 函数，能够瞬间返回集合内元素的总数。
• 下标索引：支持通过正负整数下标直接提取元素（obj[i]），并支持越界检测抛出 IndexError。
• 切片运算：支持切片语法（obj[start:stop:step]），切片后返回该类型的子序列。
• 高效包含测试：支持 x in obj 操作，能够快速检索某个值是否在集合中。
• 反向与查找方法：提供 index() 与 count() 方法，并支持通过 reversed() 进行反向遍历。
• 可重入与多次遍历：对象本身不是一次性消耗的状态机，可以被多个独立的 for 循环反复迭代，每次迭代均从头开始。

通过 Python 标准库的类型检查工具可以清晰验证这一关系：

from collections.abc import Sequence, Iterator

r = range(0, 10, 2)

print(isinstance(r, Sequence))  # 示例输出: True
print(isinstance(r, Iterator))  # 示例输出: False

可以看到，range 对象是标准的 Sequence，但并不是 Iterator。它遵循的是不可变序列规范，其类型层级与契约划分如下图所示。

图 1：Python 抽象协议架构中迭代器与序列的职责分离，range 归属于序列规范

二、核心机制：基于等差数列参数的 O(1) 存储与计算

通常读者习惯将“序列”等同于“存放在连续物理内存里的数组”（如 C 语言数组或 Python 的 list）。而 range 能够成为序列的核心技术前提在于：它的所有元素符合严谨的等差数列规律。

一个 range 对象在 Python 内部只保存三个核心整数参数：

1. start：序列的起始数值（默认为 0）。
2. stop：序列的终止上界（不包含该值）。
3. step：步长（默认为 1，不能为 0）。

正因为只有三个属性，无论请求的范围是 range(10) 还是 range(10**12)，它在内存中占用的空间是完全固定且微乎其微的。如下代码展示其实际内存表现：

import sys

r1 = range(10)
r2 = range(10_000_000)

print(sys.getsizeof(r1))  # 示例输出: 48 (字节)
print(sys.getsizeof(r2))  # 示例输出: 48 (字节，内存完全一致)

当执行下标访问 r[i] 时，解释器无需从头遍历，而是直接利用算术公式快速计算出结果：

value = start + index * step

如果计算索引为负数，则自动转换为 index = len(r) + i。若索引不在合法区间内，则直接抛出 IndexError。这种即时计算机制保证了下标访问的时间复杂度为严格的常数级 O(1)，与真实数组访问完全一致。

图 2：List 的实际指针布局与 Range 算术参数元组存储与索引计算原理

三、序列特权实证：切片与 O(1) 包含测试

如果一个对象仅仅是可迭代或生成器，它将无法执行以下两项关键操作：切片（Slicing）与高效判定（Membership Test）。这也是 range 必须被设计为序列的核心价值所在。

1. 切片操作仍然返回 range 对象

对列表切片会复制对应区间的元素产生新列表；对生成器执行切片语法则会直接抛出 TypeError: 'generator' object is not subscriptable。

而 range 支持完整的切片语法。因为任意等差数列的子等差切片，其数学形态依然是严格的等差数列。解释器通过简单的代数变换直接计算出新切片的 sub_start、sub_stop 和 sub_step，返回一个新的 range 对象：

r = range(10, 100, 5)
sub = r[2:8:2]

print(sub)        # 示例输出: range(20, 50, 10)
print(list(sub))  # 示例输出: [20, 30, 40]

2. 包含判定（in）的 O(1) 数学推导

对于常规迭代器或链表结构，检测 x in obj 需要从头开始逐个比较，直到匹配或到达终点，时间复杂度为 O(N)。如果一个迭代器有 10 亿个数字，查询一个大数字将耗费数秒并直接耗尽迭代器。

而在 range 中，Python 底层实现利用了同余方程直接计算，整个过程只需进行两次大小比较与一次取模运算，运算耗时与数据总量完全无关（O(1)）：

图 3：基于算术公差与区间约束的 O(1) 瞬时包含判定逻辑步骤

这一特性的实用价值极为显著：执行 999_999_999 in range(1_000_000_000) 在 Python 3 中耗时几乎为 0 毫秒；但如果是遍历迭代器，则需要经历 10 亿次 __next__() 调用并耗费数十秒 CPU 时间。

四、设计演进：从 Python 2 的 xrange 到 Python 3 的 range

理解 range 为什么是序列类型，还需要回顾 Python 的设计演进史：

• Python 2 的阶段：在 Python 2 中，range() 会直接生成一个装满所有元素的普通列表（list），而 xrange() 则是一个专用的惰性生成序列类型。xrange 已经具备了索引和长度支持，但切片等高级序列操作支持并不完整。
• Python 3 的统一：Python 3 彻底移除了浪费内存的 range 列表实现，将原有的 xrange 重构并正式命名为 range。同时将其规范化为完备的不可变序列，使其不仅支持遍历，而且完全遵循 Sequence 协议的所有数学语义。

五、序列与迭代器的核心差异全景总结

为了在日常开发中准确区分并选用相应结构，下表及图示总结了 range、常规迭代器（如生成器）与实体列表在关键特性上的行为对照：

图 4：Python range、迭代器与实体列表的核心维度对照总结