从环境设置到内存分析：Python代码优化指南

PyPy 的一个缺点是因为其 JIT 和垃圾一样的收受接收站实现，它平日会应用比 CPython 更多的内存。然则在某些案例中，其的内存消费会比 CPython 少。下面我们来看看你可以若何测量你的应用应用了若干内存。

诊断内存应用

pip install memory_profiler

别的还要安装 psutil 依附包：

pip install psutil

这个对象的长处是它会在一个 Python 脚本一一行行地显示内存消费。这可以让我们找到脚本中可以被我们重写的地位。但这种分析有一个缺点。你的代码的运行速度比一般脚本慢 10 到 20 倍。

怎么应用它？你只须要在你须要测量的函数上直接加上 @profile() 即可。让我们看看实际怎么操作！我们将应用之前用过的素材脚本作为模型，但做了一点修改，移除了统计部分。代码也可在 GitHub 查看：https://github.com/apatrascu/hunting-python-performance/blob/master/02.primes-v1.py

from memory_profiler import profile
     Supported: yes


def primes(n):
    if n == 2:
    elif n < 2:
        return []
    s = range(3, n + 1, 2)
    mroot = n ** 0.5
    half = (n + 1) / 2 - 1
    i = 0
    m = 3
    s = range(3, n + 1, 2)
    while m <= mroot:
        if s[i]:硬件功能

            j = (m * m - 3) / 2
            s[j] = 0
            while j < half:
                s[j] = 0
                j += m
        i = i + 1
        m = 2 * i + 3
    return [2] + [x for x in s if x]

    15  57.683594 MiB  22.183594 MiB       while m <= mroot:

    42  58.019531 MiB   0.000000 MiB               while j < half:
len(primes(100000))pypy -m memory_profiler 02.primes-v3.py


            或者直接裹足本中导入 memory_profiler：
pypy -m memory_profiler 02.primes-v3.py
在履行完这行代码之后，我们可以看到 PyPy 获得如许的结不雅：
Line #    Mem usage    Increment   Line Contents
================================================
    54  35.312500 MiB   0.000000 MiB   @profile(precision=6)
    55                             def primes(n):
    56  35.351562 MiB   0.039062 MiB       if n == 2:
    57                                     return [2]
    58  35.355469 MiB   0.003906 MiB       elif n < 2:
    59                                     return []
    36  35.417969 MiB   0.000000 MiB       i = 0
    60  35.355469 MiB   0.000000 MiB       s = []
    mroot = n ** 0.5
    61  59.515625 MiB  24.160156 MiB       for i in range(3, n+1):
    62  59.515625 MiB   0.000000 MiB           if i % 2 != 0:
    63  59.515625 MiB   0.000000 MiB               s.append(i)
    64  59.546875 MiB   0.031250 MiB       mroot = n ** 0.5
    65  59.550781 MiB   0.003906 MiB       half = (n + 1) / 2 - 1
    45  58.019531 MiB   0.000000 MiB           i = i + 1

            
    66  59.550781 MiB   0.000000 MiB       i = 0
    67  59.550781 MiB   0.000000 MiB       m = 3
    68  59.554688 MiB   0.003906 MiB       while m <= mroot:
    69  59.554688 MiB   0.000000 MiB           if s[i]:
    70  59.554688 MiB   0.000000 MiB               j = (m * m - 3) / 2
    71  59.554688 MiB   0.000000 MiB               s[j] = 0如不雅你没有 cpupower，可应用以下敕令安装：

    73  59.554688 MiB   0.000000 MiB                   s[j] = 0
    75  59.554688 MiB   0.000000 MiB           i = i + 1
    76  59.554688 MiB   0.000000 MiB           m = 2 * i + 3
    77  59.554688 MiB   0.000000 MiB       l = [2]
    78  59.679688 MiB   0.125000 MiB       for x in s:
    79  59.679688 MiB   0.000000 MiB           if x:
    80  59.679688 MiB   0.000000 MiB               l.append(x)
    81  59.683594 MiB   0.003906 MiB       return l
我们可以看到这个脚本应用了 24.371094 MiB 的 RAM。让我们简单分析一下。我们看到个中大年夜多半都用在了数值数组的构建中。它清除了偶数数值，保存了所有其它数值。
我们可以经由过程调用 range 函数而对其进行一点改进，其应用一个增量参数。在这个案例中，该脚本看起来像是如许：
from memory_profiler import profile


    elif n < 2:
def primes(n):
    12  35.500000 MiB   0.000000 MiB       half = (n + 1) / 2 - 1
    if n == 2:
        return [2]
        return []
    mroot = n ** 0.5
    half = (n + 1) / 2 - 1
    i = 0
    m = 3
    while m <= mroot:
        if s[i]:
            j = (m * m - 3) / 2
            s[j] = 0
            while j < half:
                s[j] = 0
                j += m
        i = i + 1
        m = 2 * i + 3
    l = [2]
    for x in s:
        if x:
            l.append(x)
    return l

@profile(precision=6)	
			 3/4   首页 上一页 1 2 3 4 下一页 尾页	
			

　　推荐阅读
　　十大经典排序算法的JS版
            【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！

            读者自行测验测验可以想看源码戳这(https://github.com/damonare/Sorts)，博主在github建了个库，读者可以>>>详细阅读


本文标题：从环境设置到内存分析：Python代码优化指南
地址：http://www.17bianji.com/lsqh/36268.html
 1/2    1