考虑使用Flyweight模式共享单元格属性：
http://en.wikipedia.org/wiki/Flyweight_pattern

BitSet正是您所需要的，因为它允许您仅使用一个固定大小的整数（Int类型）同时存储许多标志

把罗比的建议更进一步...

flags = set()
x, y, flag = 34, 201, 3
flags.add((x, y, flag)) # set flag 3 at position (34, 201)
if (3, 2, 1) in flags: # check if flag 1 is at position (3, 2)
    # do something
else:
    # do something else

您还可以创建一个helper类。

class Flags(object):
    def __init__(self):
        self.data = set()
    def add(self, x, y, flag):
        self.data.add((x, y, flag))
    def remove(self, x, y, flag):
        self.data.remove((x, y, flag))
    def contains(self, x, y, flag):
        return (x, y, flag) in self.data

你也可以实现Python的特殊方法，比如__contains__，使其更容易使用。

如果每一个单元格都有一个标志，那么你的解决方案就很好。但是，如果你使用的是稀疏数据集，其中只有一小部分单元格有标志，那么你真正需要的是字典。你可能希望设置字典，使键是单元格位置的元组，而值是一个标志列表，就像你在解决方案中所拥有的那样。

allFlags = {(1,1,1):[1,2,3], (250,250,30):[4,5,6]}

在这里，1，1单元格具有标志1、2和3，单元格250、250、30具有标志4、5和6
编辑-固定键元组，谢谢Andre，和字典语法。

我通常使用numpy数组（大概是短整型数，每个整型数2字节，因为您可能需要超过256个不同的值）--对于小于200万的单元格，这将占用不到4 MB的空间。
如果出于某种原因我无法承受 numpy 依赖（例如在App Engine上，它不支持numpy），我会使用标准库array模块--它只支持一维数组，但对于大型同构数组，它和numpy一样节省空间。您提到的getter/setter例程可以很好地“线性化”一个3项元组，它是您对一维数组的单个整数索引的自然索引。
一般来说，当您有大型齐次、密集向量或数字矩阵时，可以考虑numpy（或array）-- Python内置列表在这种情况下非常浪费空间（由于它们的通用性，您在这里没有使用也不需要！），节省内存也间接地转化为节省时间（更好的缓存、更少的间接层，等等）。

您可以将一些常数定义为不同的二次幂值，如下所示：

FLAG1 = 0x01
FLAG8 = 0x02
FLAG12 = 0x04
...

并将它们与布尔逻辑一起使用，以便仅将标志存储在一个整数中，例如：

flags = FLAG1 | FLAG8

要检查是否启用了标志，可以使用&运算符：

flag1_enabled = flags & FLAG1

如果启用了该标志，则此表达式将返回一个非零值，在任何布尔运算中该值都将被评估为True。如果禁用了该标志，则表达式将返回0，在布尔运算中该值将被评估为False。