一行代碼搞定 Python 逐行內存消耗分析

本文完整示例代碼及文件已上傳至我的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，每一期爲大家帶來一個幾分鐘內就可學會的簡單小技巧。

作爲系列第 6 期，我們即將學習的是：一行代碼分析Python代碼行級別內存消耗。

很多情況下，我們需要對已經寫好的Python程序的內存消耗進行優化，但是一段代碼在運行過程中的內存消耗是動態變化的，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腳本中，執行到每一行時，內存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導入profile並作爲要分析的目標函數的裝飾器即可，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()

接着在終端執行python demo.py，稍事等待後，就會看到打印出的分析結果報告（這裏我是在jupyter lab裏執行的終端命令）：

其中Line #列記錄了分析的各行代碼具體行位置，Mem usage列記錄了當程序執行到該行時，當前進程佔用內存的量，Increment記錄了當前行相比上一行內存消耗的變化量，Occurrences記錄了當前行的執行次數（循環、列表推導等代碼行會記作多次），Line Contents列則記錄了具體對應的行代碼。

通過這樣細緻的內存分析結果，我們就能有的放矢地優化我們的代碼啦~

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/zxVM2l9W43UdbOms3CDk2w