编写高效内存Python代码的3个技巧

 介绍

大多数时候，编写我们不需要优化Python中的高效内存使用情况。我们的内存程序太小而无法占用大量内存，或者我们正在将数据存储在程序外部的代码数据库中。无论如何，技巧在某些情况下，编写我们必须在内存中保留过大的高效结构或大量的对象。因此，内存我希望举例说明可以减少程序内存使用量的代码做法。

议程

用__slots__限制类字段 Generator惰性加载 用数组约束元素类型

用__slots__限制类字段

默认情况下，技巧每当您在Python中创建对象时，编写即使在创建之后，高效您也能够将新字段添加到对象。内存

例如，代码假设我有一个名为Dog的技巧类：

class Dog:      def __init__(self, name, age):      self.name = name          self.age = age     def main():      dog = Dog("James", 5)          dog.breed = "Pitbull"          print(dog.breed) main() 

尽管名称和年龄是我传递给构造函数的唯一字段，但是请注意，在创建dog之后，如何初始化一个名为繁殖的新字段。本质上，dog的字段存储在内部字典中，可通过.__ dict__访问，并且在初始化dog.breed时，亿华云计算将其值为“ Pitbull”的字段“ breed”添加到内部字典中。

def main():     dog = Dog("James", 5)     print(dog.__dict__)      output: { name: James, age: 5}     dog.breed = "Pitbull"     print(dog.__dict__)     output: { name: James, age: 5, breed: Pitbull} main() 

尽管这提供了灵活性，但大多数时候我们不需要在实例化之外添加新字段。为了节省内存占用量，我们可以设置Dog的__slots__属性来预定义其字段。

class Dog:     __slots__ = ("name", "age")     def __init__(self, name, age):         self.name = name         self.age = age 

使用__slots__可以防止创建内部字典，从而使我们可以更紧凑地存储实例字段。但是，现在，我们不再能够即时创建新字段。

def main():     dog = Dog("James", 5)     dog.breed = "Pitbull"      output: AttributeError:Dog object has no attribute breed main() 

为了测试__slots__的内存使用情况，我创建了100,000个Dog和SlotDog对象。

class Dog:   def __init__(self, name, age):     self.name = name     self.age = age class SlotDog:    __slots__=("name", "age")    def __init__(self, name, age):      self.name = name      self.age = age 

然后，我使用memory_profiler分解了创建100,000个对象后内存使用量的增加情况。创建Dog对象后，内存使用量增加了16.5 MiB，而SlotDog对象则增加了5.8 MiB，这表明使用__slots__有了很大的改进。您可以在GitHub上查看创建代码(https://github.com/Ramko9999/Medium-Memory-Efficient-Python/blob/main/slots_perf.py)。

在必须实例化具有预定字段的大量对象的情况下，使用__slots__将是有益的。

用Genertor惰性加载

当使用大文件或集合时，可能无法加载整个文件或将集合维护在内存中。网站模板如果我们可以一次处理多个文件或集合中的一个元素，那就太好了。

进入生成器!

让我们考虑一个例子。说我需要获取前n个奇数进行处理。自然地，我们可以创建一个列表并附加前n个奇数。

def get_odds_list(n):     odds = []     num = 1     for i in range(n):         odds.append(num)         num += 2     return odds 

但是，如果我们要处理前几百万的赔率，那么在内存中维护此列表将变得昂贵。更好的方法是在我们计算赔率时利用生成器迭代赔率，而不是计算和存储所有百万赔率。

这是上面的函数作为生成器的样子：

def get_odds_generator(n):     num = 1     for i in range(n):         yield num         num += 2 odds = get_odds_generator(1000000) 

当我们初始化赔率时，尚未计算任何奇数。此刻的赔率只是一个迭代器，一个值序列。为了访问迭代器中的元素，我们必须在迭代器上调用next。顾名思义，next返回序列中的下一个值。

神奇之处在于yield关键字：它使函数成为生成器。云南idc服务商本质上，当按赔率调用next时，生成器get_odds_generator将评估其代码，直到达到yield为止。然后，生成器将返回该值，并且其状态将冻结。然后，再次调用next时，生成器将从中断状态重新开始评估其代码。

def get_odds_generator(n):     num = 1     for i in range(n):         yield num         num += 2 odds = get_odds_generator(1000000) first = next(odds) first = 1 Explanation: num is 1. We enter the for loop and immediately yield num second = next(odds) second = 3  Explanation: num is 1. We add 2 to num, so its now 3.  We go the next iteration of the loop and yield num third = next(odds) third = 5 Explanation: num is 3. We add 2 to num, so its now 5.  We go to the next iteration of the loop and yield num 

我们还可以按照以下方式浏览生成器生成的值。

odds = get_odds_generator(1000000) for odd in odds:     pass //process the odd 

我们可以使用生成器来计算赔率。因此，我们不需要任何额外的内存来存储赔率。

使用生成器的一个警告是，我们将无法获取先前的元素或跳过元素的序列。如果您需要访问以前的元素，则最好直接使用列表。

用数组约束元素类型

尽管许多人认为列表在Python中是数组，但实际上存在一个单独的数组模块。列表和数组之间的核心区别在于，数组仅限于一种类型的元素。

我们可以使用多种类型的值在Python中创建列表。

lst = [1.0, 1, { }, "hi"] 

数组不是这种情况。我们必须使用类型代码指定数组中元素的类型。类型代码是代表数组类型的字符：“ i”代表整数，“ b”代表字符，依此类推…

from array import array arr = array(i, []) # create an array of integers arr.append(4) # append 4 to arr arr.append() # type error: integer is required not string 

数组与列表有很多共同的方法，例如append和pop(文档)。数组的主要优点是它们更加紧凑。为了测试这一点，我制作了一个包含一百万个整数的列表和数组，发现该列表的内存使用量增加了19.5 MiB，而数组仅增加了4 MiB。签出测量代码(代码)。

如果您有大量相同类型的数据序列，请考虑使用数组。

结论

过早的优化是万恶之源。

-唐纳德·埃文·克努斯

我已经展示了可以减少内存占用的多种实践，从使用__slots__到数组不等。仅在真正需要优化内存的最坏情况下考虑使用这些做法。在大多数情况下，不需要__slots__和数组。另一方面，标准API很可能已经使用了生成器，因此您可以放轻松。

很赞哦!（5）