为什么这些递归函数使用相同数量的内存？

Question

我不知道为什么函数f1使用的内存与函数f2相同：

from memory_profiler import memory_usage

class BigObject(object):
    def __init__(self):
        self.value = "a"*1000000

a = []
def p1(n):
    if n == 0:
        return
    a.append(BigObject())
    p1(n-1)
    a.pop()

def p2(n, p):
    if n == 0:
        return
    p2(n-1, p + [BigObject()])

def f1():
    p1(200)
def f2():
    p2(200, [])


mem_usage = memory_usage(f1)
print('Memory usage (in chunks of .1 seconds): %s' % mem_usage)
print('Maximum memory usage of f1: %s' % max(mem_usage))
mem_usage = memory_usage(f2)
print('Memory usage (in chunks of .1 seconds): %s' % mem_usage)
print('Maximum memory usage of f2: %s' % max(mem_usage))

输出：

Memory usage (in chunks of .1 seconds): [28.2421875, 28.55078125, 57.859375, 88.734375, 119.375, 150.7890625, 182.2109375, 213.62890625, 64.45703125, 28.2421875]
Maximum memory usage of f1: 213.62890625
Memory usage (in chunks of .1 seconds): [152.25390625, 152.25390625, 152.25390625, 152.25390625, 152.25390625, 152.25390625, 152.25390625, 177.328125, 209.73046875, 151.296875]
Maximum memory usage of f2: 209.73046875

我的想法是，由于“ +”运算符会在每次函数调用时创建一个新列表，因此p2会不断建立临时列表，因此与p1只能修改一个列表的情况相比，它肯定会使用更多的内存，但这并不是通过观察而诞生。

这是怎么回事？