楔子
浮点数这种对象经常容易被创建和销毁，因为它很简单，使用频率高。如果每次创建都借助操作系统分配内存、每次销毁都借助操作系统回收内存的话，那效率会低到什么程度，可想而知。
因此 Python 解释器在操作系统之上封装了一个内存池，在内存管理的时候会详细介绍，目前可以认为内存池就是解释器预先向操作系统申请的一部分内存，专门用于小对象的快速创建和销毁，从而避免了频繁和操作系统打交道，这便是 Python 的内存池机制。
但浮点数的使用频率很高，并且使用时还会创建和销毁大量的临时对象，举个例子：
a = 95.5
b = 117.3
c = 108.9
avg = (a + b + c) / 3
计算平均值的时候，会先计算 a + b，创建一个临时对象。接着让临时对象和 c 相加再创建一个临时对象，然后除以 3 得到结果。最后销毁临时对象，并将结果交给变量 avg。
尽管我们平常很少注意到这些，但运算背后所产生的对象的创建和销毁的次数，比我们想象的要多。特别是在循环的时候，会伴随大量的对象创建和销毁操作。
如果每次创建和销毁对象都要伴随着内存操作，这个时候即便有内存池机制，效率也是不高的，因为使用内存池虽然可以不经过操作系统，但它也会增加解释器系统的开销。
因此解释器在浮点数对象被销毁后，并不急着回收对象所占用的内存，换句话说其实对象还在，只是将该对象放入一个空闲的链表中。
之前我们说对象可以理解为一片内存空间，对象如果被销毁，那么理论上内存空间要归还给操作系统，或者回到内存池中。但 Python 考虑到效率，并没有真正地释放内存，而是将对象放入到链表中，占用的内存还在。
后续如果需要创建新的浮点数对象时，那么从链表中直接取出之前放入的对象（我们认为被回收的对象），然后根据新的浮点数对象重新初始化对应的字段即可，这样就避免了内存分配造成的开销。而这个链表就是我们说的缓存池，当然不光浮点数对象有缓存池，Python 的很多其它对象也有对应的缓存池，比如列表。
缓存池的实现细节
下面看一下浮点数的缓存池的具体细节。
// Objects/floatobject.c
// 浮点数的缓存池（链表）长度为 100
// 因此池子里面最多容纳 100 个 PyFloatObject
#define PyFloat_MAXFREELIST 100
// Include/internal/pycore_floatobject.h
struct _Py_float_state {
// 缓存池已经容纳了多少个 PyFloatObject
int numfree;
// 指向缓存池（链表）的头节点
PyFloatObject *free_list;
};
补充一下：在之前的 Python 源码中，比如 3.8 版本，缓存池是这么定义的。
#define PyFloat_MAXFREELIST 100
static int numfree = 0;
static PyFloatObject *free_list = NULL;
在 3.8 的时候，numfree 和 free_list 是以静态全局变量的形式出现的，而在 3.12 里面则是将它们组合成了一个结构体，但实现原理没太大变化。
不过问题来了，为什么要将它们组成一个结构体呢？下面解释一下原因。
首先解释器启动之后会创建一个主进程，这是毋庸置疑的，而主进程在底层也会对应一个对象，我们称之为进程状态对象，它由 PyInterpreterState 结构体负责实现。