python memory_profiler庫生成器和迭代器內存占用的時間分析

Posted on by

不進行計算時，生成器和list空間占用

import time
from memory_profiler import profile
@profile(precision=4)
def list_fun():
	start = time.time()
	total = ([i for i in range(5000000)])
	print('iter_spend_time:',time.time()-start)

@profile(precision=4)
def gent_func():
	gent_start = time.time()
	total = (i for i in range(5000000))

	print('gent_spend_time:',time.time()-gent_start)

iter_fun()
gent_func()

顯示結果的含義：第一列表示已分析代碼的行號，第二列（Mem 使用情況）表示執行該行後 Python 解釋器的內存使用情況。第三列（增量）表示當前行相對於最後一行的內存差異。最後一列（行內容）打印已分析的代碼。
分析：在不進行計算的情況下，列表list和迭代器會占用空間，但對於生成器不會占用空間

當需要計算時，list和生成器的花費時間和占用內存

使用sum內置函數，list和生成器求和10000000個數據，list內存占用較大，生成器花費時間大概是list的兩倍

import time
from memory_profiler import profile
@profile(precision=4)
def iter_fun():
	start = time.time()
	total = sum([i for i in range(10000000)])
	print('iter_spend_time:',time.time()-start)
@profile(precision=4)
def gent_func():
	gent_start = time.time()
	total = sum(i for i in range(10000000))

	print('gent_spend_time:',time.time()-gent_start)

iter_fun()
gent_func()

比較分析，如果需要對數據進行迭代使用時，生成器方法的耗時較長，但內存使用方面還是較少，因為使用生成器時，內存隻存儲每次迭代計算的數據。分析原因時個人認為，生成器的迭代計算過程中，在迭代數據和計算直接不斷轉換，相比與迭代器對象中先將數據全部保存在內存中（雖然占內存，但讀取比再次迭代要快），因此，生成器比較費時間，但占用內存小。

記錄數據循環求和500000個數據，迭代器和生成器循環得到時

總結：幾乎同時完成，迭代器的占用內存較大

import time
from memory_profiler import profile
itery = iter([i for i in range(5000000)])
gent = (i for i in range(5000000))
@profile(precision=4)
def iter_fun():
	start = time.time()
	total= 0
	for item in itery:
		total+=item
	print('iter:',time.time()-start)
@profile(precision=4)
def gent_func():
	gent_start = time.time()
	total = 0
	for item in gent:
		total+=item
	print('gent:',time.time()-gent_start)
iter_fun()
gent_func()

list，迭代器和生成器共同使用sum計算5000000個數據時間比較

總結：list+sum和迭代器+sum計算時長差不多，但生成器+sum計算的時長幾乎長一倍，

import time
from memory_profiler import profile
@profile(precision=4)
def list_fun():
	start = time.time()
	print('start!!!')
	list_data = [i for i in range(5000000)]
	total = sum(list_data)
	print('iter_spend_time:',time.time()-start)
@profile(precision=4)
def iter_fun():
	start = time.time()
	total = 0
	total = sum(iter([i for i in range(5000000)]))
	print('total:',total)
	print('iter_spend_time:',time.time()-start)

@profile(precision=4)
def gent_func():
	gent_start = time.time()
	total = sum(i for i in range(5000000))
	print('total:',total)
	print('gent_spend_time:',time.time()-gent_start)
list_fun()
iter_fun()
gent_func()

到此這篇關於python memory_profiler庫生成器和迭代器內存占用的時間分析的文章就介紹到這瞭,更多相關python的memory_profiler 內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：