虽然很容易估计numpy数组（本质上是nbytes，或8*num_elements）的内存使用，但元组列表的内存使用需要更多的工作。
让我们测试一个10元组的随机浮点数列表。

In [136]: import sys    
In [137]: alist = [tuple(np.random.rand(3)) for _ in range(10)]

列表本身- 10个指针加上一些开销：

In [138]: sys.getsizeof(alist)
Out[138]: 184

所有10个元组的大小：

In [139]: sum([sys.getsizeof(a) for a in alist])
Out[139]: 640

和其中一个元组中的浮点数：

In [140]: sum([sys.getsizeof(i) for i in alist[0]])
Out[140]: 96

所以总共是：

In [141]: 184+640+10*96
Out[141]: 1784

将其与等效数组（10，3）的nbytes进行比较：

In [142]: np.array(alist).nbytes
Out[142]: 240       # 10*3*8

所以元组列表占用的内存是数组的7.4倍。
现在缩放到你的（n，3）数组：

In [143]: 24187884 * 1784/10
Out[143]: 4315118505.6    
In [144]: _/1e9
Out[144]: 4.3151185056

In [145]: 11255620-6504168
Out[145]: 4751452

这就是你的5G
比我希望的要好：）
center_maas函数的源代码，可以在文档中找到，结尾是：

return [tuple(v) for v in numpy.array(results).T]