提高代碼效率的六個Python內存優化技巧
當項目變得越來越大時，有效地管理計算資源是一個不可避免的需求。Python與C或c++等低級語言相比，似乎不夠節省內存。
但是其實有許多方法可以顯著優化Python程序的內存使用，這些方法可能在實際應用中并沒有人注意，所以本文將重點介紹Python的內置機制，掌握它們將大大提高Python編程技能。
首先在進行內存優化之前，我們首先要查看內存的使用情況。
分配了多少內存?
有幾種方法可以在Python中獲取對象的大小。可以使用sys.getsizeof()來獲取對象的確切大小，使用objgraph.show_refs()來可視化對象的結構，或者使用psutil.Process().memory_info()。RSS獲取當前分配的所有內存。
>>> import numpy as np
>>> import sys
>>> import objgraph
>>> import psutil
>>> import pandas as pd
>>> ob = np.ones((1024, 1024, 1024, 3), dtype=np.uint8)
### Check object 'ob' size
>>> sys.getsizeof(ob) / (1024 * 1024)
3072.0001373291016
### Check current memory usage of whole process (include ob and installed packages, ...)
>>> psutil.Process().memory_info().rss / (1024 * 1024)
3234.19140625
### Check structure of 'ob' (Useful for class object)
>>> objgraph.show_refs([ob], filename='sample-graph.png')
### Check memory for pandas.DataFrame
>>> from sklearn.datasets import load_boston
>>> data = load_boston()
>>> data = pd.DataFrame(data['data'])
>>> print(data.info(verbose=False, memory_usage='deep'))
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 506 entries, 0 to 505
Columns: 13 entries, 0 to 12
dtypes: float64(13)
memory usage: 51.5 KB
### Check memory for pandas.Series
>>> data[0].memory_usage(deep=True) # deep=True to include all the memory used by underlying parts that construct the pd.Series
4176這樣我們才能根據對象的內存占用來查看實際的優化結果。
__slots__
Python作為一種動態類型語言，在面向對象方面具有更大的靈活性。在運行時可以向Python類添加額外屬性和方法的能力。
例如，下面的代碼定義了一個名為Author的類。最初它有兩個屬性name和age。但是我們以后可以很容易地添加一個額外的job:
class Author:
def __init__(self, name, age):
self.name = name
self.age = age
me = Author('Yang Zhou', 30)
me.job = 'Software Engineer'
print(me.job)
# Software Engineer但是這種靈活性在底層浪費了更多內存。
因為Python中每個類的實例都維護一個特殊的字典(__dict__)來存儲實例變量。因為字典的底層基于哈希表的實現所以消耗了大量的內存。
在大多數情況下，我們不需要在運行時更改實例的變量或方法，并且__dict__不會（也不應該）在類定義后更改。所以Python為此提供了一個屬性:__slots__。
它通過指定類的所有有效屬性的名稱來作為白名單:
class Author:
__slots__ = ('name', 'age')
def __init__(self, name, age):
self.name = name
self.age = age
me = Author('Yang Zhou', 30)
me.job = 'Software Engineer'
print(me.job)
# AttributeError: 'Author' object has no attribute 'job'白名單只定義了兩個有效的屬性name和age。由于屬性是固定的，Python不需要為它維護字典,只為__slots__中定義的屬性分配必要的內存空間。
下面我們做一個簡單的比較：
import sys
class Author:
def __init__(self, name, age):
self.name = name
self.age = age
class AuthorWithSlots:
__slots__ = ['name', 'age']
def __init__(self, name, age):
self.name = name
self.age = age
# Creating instances
me = Author('Yang', 30)
me_with_slots = AuthorWithSlots('Yang', 30)
# Comparing memory usage
memory_without_slots = sys.getsizeof(me) + sys.getsizeof(me.__dict__)
memory_with_slots = sys.getsizeof(me_with_slots) # __slots__ classes don't have __dict__
print(memory_without_slots, memory_with_slots)
# 152 48
print(me.__dict__)
# {'name': 'Yang', 'age': 30}
print(me_with_slots.__dict__)
# AttributeError: 'AuthorWithSlots' object has no attribute '__dict__'可以看到 152 和 48 明顯節省了內存。
Generators
生成器是Python中列表的惰性求值版本。每當調用next()方法時生成一個項，而不是一次計算所有項。所以它們在處理大型數據集時非常節省內存。
def number_generator():
for i in range(100):
yield i
numbers = number_generator()
print(numbers)
# <generator object number_generator at 0x104a57e40>
print(next(numbers))
# 0
print(next(numbers))
# 1上面的代碼顯示了一個編寫和使用生成器的基本示例。關鍵字yield是生成器定義的核心。應用它意味著只有在調用next()方法時才會產生項i。
讓我們比較一個生成器和一個列表，看看哪個更節省內存:
mport sys
numbers = []
for i in range(100):
numbers.append(i)
def number_generator():
for i in range(100):
yield i
numbers_generator = number_generator()
print(sys.getsizeof(numbers_generator))
# 112
print(sys.getsizeof(numbers))
# 920可以看到使用生成器可以顯著節省內存使用。如果我們將列表推導式的方括號轉換成圓括號，它將成為生成器表達式。這是在Python中定義生成器的更簡單的方法:
import sys
numbers = [i for i in range(100)]
numbers_generator = (i for i in range(100))
print(sys.getsizeof(numbers_generator))
# 112
print(sys.getsizeof(numbers))
# 920利用內存映射文件支持大文件處理
內存映射文件I/O，簡稱“mmap”，是一種操作系統級優化。
簡單地說，當使用mmap技術對文件進行內存映射時，它直接在當前進程的虛擬內存空間中創建文件的映射，而不是將整個文件加載到內存中，這節省了大量內存。
Python已經提供了用于使用此技術的內置模塊，因此我們可以輕松地利用它，而無需考慮操作系統級別的實現。
以下是如何在Python中使用mmap進行文件處理:
import mmap
with open('test.txt', "r+b") as f:
# memory-map the file, size 0 means whole file
with mmap.mmap(f.fileno(), 0) as mm:
# read content via standard file methods
print(mm.read())
# read content via slice notation
snippet = mm[0:10]
print(snippet.decode('utf-8'))Python使內存映射文件I/O技術的使用變得方便。我們所需要做的只是應用mmap.mmap()方法，然后使用標準文件方法甚至切片符號處理打開的對象。
選擇適當的數據類型
開發人員應仔細而精確地選擇數據類型。因為在某些情況下，使用一種數據類型比使用另一種數據類型更節省內存。
1、元組比列表更節省內存
元組是不可變的(在創建后不能更改)，它允許Python在內存分配方面進行優化。列表是可變的，因此需要額外的空間來容納潛在的修改。
import sys
my_tuple = (1, 2, 3, 4, 5)
my_list = [1, 2, 3, 4, 5]
print(sys.getsizeof(my_tuple))
# 80
print(sys.getsizeof(my_list))
# 120元組my_tuple比列表使用更少的內存，如果創建后不需要更改數據，我們應該選擇元組而不是列表。
2、數組比列表更節省內存
Python中的數組要求元素具有相同的數據類型(例如，所有整數或所有浮點數)，但列表可以存儲不同類型的對象，這不可避免地需要更多的內存。如果列表的元素都是相同類型，使用數組會更節省內存:
import sys
import array
my_list = [i for i in range(1000)]
my_array = array.array('i', [i for i in range(1000)])
print(sys.getsizeof(my_list))
# 8856
print(sys.getsizeof(my_array))
# 4064另外：Python是數據科學的主導語言。有許多強大的第三方模塊和工具提供更多的數據類型，如NumPy和Pandas。如果我們只需要一個簡單的一維數字數組，而不需要NumPy提供的廣泛功能，那么Python的內置數組是一個不錯的選擇。但當涉及到復雜的矩陣操作時，使用NumPy提供的數組是所有數據科學家的首選，也可能是最佳選擇。
字符串駐留
看看下面的代碼：
>>> a = 'Y'*4096
>>> b = 'Y'*4096
>>> a is b
True
>>> c = 'Y'*4097
>>> d = 'Y'*4097
>>> c is d
False為什么a是b是真，而c是d是假呢?
這在Python中被稱作字符串駐留（string interning）.如果有幾個值相同的小字符串，它們將被Python隱式地存儲并在內存中并引用相同的對象。定義小字符串閾值數字是4096。
由于c和d的長度為4097，因此它們是內存中的兩個對象而不是一個對象，不再隱式駐留字符串。所以當執行c = d時，我們得到一個False。
駐留是一種優化內存使用的強大技術。如果我們想要顯式地使用它可以使用sys.intern()方法:
>>> import sys
>>> c = sys.intern('Y'*4097)
>>> d = sys.intern('Y'*4097)
>>> c is d
True
