「Python實用祕技06」逐行監聽Python程式的記憶體消耗

費弗裡發表於2022-02-23
Python記憶體

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。

「Python實用祕技06」逐行監聽Python程式的記憶體消耗

　　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）：

「Python實用祕技06」逐行監聽Python程式的記憶體消耗

　　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~?

相關文章