本文完整示例程式碼及檔案已上傳至我的
Github
倉庫https://github.com/CNFeffery/PythonPracticalSkills
這是我的系列文章「Python實用祕技」的第6期,本系列立足於筆者日常工作中使用Python
積累的心得體會,每一期為大家帶來一個幾分鐘內就可學會的簡單小技巧。
作為系列第6期,我們即將學習的是:一行程式碼分析Python程式碼行級別記憶體消耗
。
很多情況下,我們需要對已經寫好的Python
程式的記憶體消耗進行優化,但是一段程式碼在執行過程中的記憶體消耗是動態變化的,這種時候就可以用到memory_profiler
這個第三方庫,它可以幫助我們分析記錄Python
指令碼中,執行到每一行時,記憶體的消耗及波動變化情況。
memory_profiler
的使用方法超級簡單,使用pip install memory_profiler
完成安裝後,只需要從memory_profiler
匯入profile
並作為要分析的目標函式的裝飾器即可,譬如下面這個例子:
demo.py
import numpy as np
from memory_profiler import profile
@profile
def demo():
a = np.random.rand(10000000)
b = np.random.rand(10000000)
a_ = a[a < b]
b_ = b[a < b]
del a, b
return a_, b_
if __name__ == '__main__':
demo()
接著在終端執行python demo.py
,稍事等待後,就會看到列印出的分析結果報告(這裡我是在jupyter lab
裡執行的終端命令):
其中Line #
列記錄了分析的各行程式碼具體行位置,Mem usage
列記錄了當程式執行到該行時,當前程式佔用記憶體的量,Increment
記錄了當前行相比上一行記憶體消耗的變化量,Occurrences
記錄了當前行的執行次數(迴圈、列表推導等程式碼行會記作多次),Line Contents
列則記錄了具體對應的行程式碼。
通過這樣細緻的記憶體分析結果,我們就能有的放矢地優化我們的程式碼啦~
本期分享結束,我們們下回見~?