你的问题是没有意义的。当你在代码和机器之间有一个完整的解释器、装箱的数字类型、所述类型的堆分配等时，缓存效率是你最不需要担心的。由于Python的内置序列类型在幕后使用（动态和过度分配的）C数组，同样的规则应该适用，但有两个主要的警告：

• 对于每一个Python操作（例如，类型检查、变量和成员查找、在调用方法之前创建“绑定方法”对象、数字强制），都有很多“隐藏”的内存访问，这可能会降低好处。
• 在许多情况下（除非另有说明），所有容器都存储对装箱对象的引用，因此当您迭代int对象的list时，CPU缓存只能帮助更快地获取这些指针，而不能处理这些指针后面的对象。

如果你能衡量所有的差异，我会很惊讶。如果你想优化，有很多事情比这有效一千倍，也更明显。使用内置的NumPy，写一点C，使用Cython，或者简单地优化你的Python代码。

如果你谈论的是Python * 数组 *，那么我会假设它们在内存中是线性布局的，所以是的，顺序访问将是访问它们的最友好的缓存方式。
如果你谈论的是Python * 列表 *，我会认为Python列表和列表中的对象不可能在内存中以线性的方式排列，因为列表中的每一项都可以是任意类型的，所以它最多看起来像一个指针的线性数组--所以实际访问每一项可能会在内存中跳跃。
此外，Python的一般开销可能会使任何缓存效果都可以忽略不计。
您可能还需要优化循环：

n = gridHeight * gridWidth
i = 0
while i < n:
    massiveNum += arr[i]
    i += 1

内部循环使用j作为索引，因此当数组的相邻部分由j的相邻值索引时，您将获得最佳缓存性能。这是通过乘以i而不是j来实现的。
因为你的数组是一维的，所以这个问题完全与语言无关--缓存是由处理器处理的，而不是由语言处理的。如果你使用的是二维数组，你可能会得到不同的答案。

我强烈建议您考虑在Python中使用numpy来操作多维数组。
NumPy是用纯C后端编写的，所以你不会遭受解释代码的巨大装箱-拆箱惩罚。然后，* 也许 *，你至少可以测量缓存性能，并使用行优先与列优先顺序，strides等。