概述
如果程序處理的數據比較多、比較復雜，那么在程序運行的時候，會占用大量的內存，當內存占用到達一定的數值，程序就有可能被操作系統終止，特別是在限制程序所使用的內存大小的場景，更容易發生問題。下面我就給出幾個優化Python占用內存的幾個方法。
說明：以下代碼運行在Python3。
舉個栗子
我們舉個簡單的場景，使用Python存儲一個三維坐標數據，x,y,z。
Dict
使用Python內置的數據結構Dict來實現上述例子的需求很簡單。
>>> ob = {'x':1, 'y':2, 'z':3}
>>> x = ob['x']
>>> ob['y'] = y
查看以下ob這個對象占用的內存大小：
>>> print(sys.getsizeof(ob))
240
簡單的三個整數，占用的內存還真不少，想象以下，如果有大量的這樣的數據要存儲，會占用更大的內存。
| 數據量 | 占用內存大小 |
|---|---|
| 1 000 000 | 240 Mb |
| 10 000 000 | 2.40 Gb |
| 100 000 000 | 24 Gb |
Class
對于喜歡面向對象編程的程序員來說，更喜歡把數據包在一個class里。使用class使用同樣需求：
class Point:
#
def __init__(self, x, y, z):
self.x = x
self.y = y
self.z = z
>>> ob = Point(1,2,3)
class的數據結構和Dict區別就很大了，我們來看看這種情況下占用內存的情況：
| 字段 | 占用內存 |
|---|---|
| PyGC_Head | 24 |
| PyObject_HEAD | 16 |
| _ weakref_ | 8 |
| _ dict_ | 8 |
| TOTAL | 56 |
關于 __weakref__（弱引用）可以查看這個文檔， 對象的__dict__中存儲了一些self.xxx的一些東西。從Python 3.3開始，key使用了共享內存存儲， 減少了RAM中實例跟蹤的大小。
>>> print(sys.getsizeof(ob), sys.getsizeof(ob.__dict__))
56 112
| 數據量 | 占用內存 |
|---|---|
| 1 000 000 | 168 Mb |
| 10 000 000 | 1.68 Gb |
| 100 000 000 | 16.8 Gb |
可以看到內存占用量，class比dict少了一些，但這遠遠不夠。
_ slots_
從class的內存占用分布上，我們可以發現，通過消除__dict__和_weakref__，可以顯著減少RAM中類實例的大小，我們可以通過使用__slots__來達到這個目的。
class Point:
__slots__ = 'x', 'y', 'z'
def __init__(self, x, y, z):
self.x = x
self.y = y
self.z = z
>>> ob = Point(1,2,3)
>>> print(sys.getsizeof(ob))
64
可以看到內存占用顯著的減少了
| 字段 | 內存占用 |
|---|---|
| PyGC_Head | 24 |
| PyObject_HEAD | 16 |
| x | 8 |
| y | 8 |
| z | 8 |
| TOTAL | 64 |
| 數據量 | 占用內存 |
|---|---|
| 1 000 000 | 64Mb |
| 10 000 000 | 640Mb |
| 100 000 000 | 6.4Gb |
默認情況下,Python的新式類和經典類的實例都有一個dict來存儲實例的屬性。這在一般情況下還不錯，而且非常靈活，乃至在程序中可以隨意設置新的屬性。但是，對一些在”編譯”前就知道有幾個固定屬性的小class來說，這個dict就有點浪費內存了。
當需要創建大量實例的時候，這個問題變得尤為突出。一種解決方法是在新式類中定義一個__slots__屬性。
__slots__聲明中包含若干實例變量，并為每個實例預留恰好足夠的空間來保存每個變量；這樣Python就不會再使用dict，從而節省空間。
那么用slot就是非非常那個有必要嗎？使用__slots__也是有副作用的：
- 每個繼承的子類都要重新定義一遍__slots__
- 實例只能包含哪些在__slots__定義的屬性，這對寫程序的靈活性有影響，比如你由于某個原因新網給instance設置一個新的屬性，比如instance.a = 1, 但是由于a不在__slots__里面就直接報錯了，你得不斷地去修改__slots__或者用其他方法迂回的解決
- 實例不能有弱引用（weakref）目標，否則要記得把__weakref__放進__slots__
最后，namedlist和attrs提供了自動創建帶__slot__的類，感興趣的可以試試看。
Tuple
Python還有一個內置類型元組，用于表示不可變數據結構。 元組是固定的結構或記錄，但沒有字段名稱。 對于字段訪問，使用字段索引。 在創建元組實例時，元組字段一次性與值對象關聯：
>>> ob = (1,2,3)
>>> x = ob[0]
>>> ob[1] = y # ERROR
元組的示例很簡潔：
>>> print(sys.getsizeof(ob))
72
可以看只比__slot__多8byte：
| 字段 | 占用內存(bytes) |
|---|---|
| PyGC_Head | 24 |
| PyObject_HEAD | 16 |
| ob_size | 8 |
| [0] | 8 |
| [1] | 8 |
| [2] | 8 |
| TOTAL | 72 |
Namedtuple
通過namedtuple我們也可以實現通過key值來訪問tuple里的元素：
Point = namedtuple('Point', ('x', 'y', 'z'))
它創建了一個元組的子類，其中定義了用于按名稱訪問字段的描述符。 對于我們的例子，它看起來像這樣:
class Point(tuple):
#
@property
def _get_x(self):
return self[0]
@property
def _get_y(self):
return self[1]
@property
def _get_y(self):
return self[2]
#
def __new__(cls, x, y, z):
return tuple.__new__(cls, (x, y, z))
此類的所有實例都具有與元組相同的內存占用。 大量實例會留下稍大的內存占用：
| 數據量 | 內存占用 |
|---|---|
| 1 000 000 | 72 Mb |
| 10 000 000 | 720 Mb |
| 100 000 000 | 7.2 Gb |
Recordclass
python的第三方庫recordclassd提供了一個數據結構recordclass.mutabletuple，它幾乎和內置tuple數據結構一致，但是占用更少的內存。
>>> Point = recordclass('Point', ('x', 'y', 'z'))
>>> ob = Point(1, 2, 3)
實例化以后，只少了PyGC_Head:
| 字段 | 占用內存 |
|---|---|
| PyObject_HEAD | 16 |
| ob_size | 8 |
| x | 8 |
| y | 8 |
| y | 8 |
| TOTAL | 48 |
到此，我們可以看到，和__slot__比，又進一步縮小了內存占用：
| 數據量 | 內存占用 |
|---|---|
| 1 000 000 | 48 Mb |
| 10 000 000 | 480 Mb |
| 100 000 000 | 4.8 Gb |
Dataobject
recordclass提供了另外一個解決方法：在內存中使用與__slots__類相同的存儲結構，但不參與循環垃圾收集機制。通過recordclass.make_dataclass可以創建出這樣的實例：
>>> Point = make_dataclass('Point', ('x', 'y', 'z'))
另外一個方法是繼承自dataobject
class Point(dataobject):
x:int
y:int
z:int
以這種方式創建的類將創建不參與循環垃圾收集機制的實例。 內存中實例的結構與__slots__的情況相同，但沒有PyGC_Head：
| 字段 | 內存占用(bytes) |
|---|---|
| PyObject_HEAD | 16 |
| x | 8 |
| y | 8 |
| y | 8 |
| TOTAL | 40 |
>>> ob = Point(1,2,3)
>>> print(sys.getsizeof(ob))
40
要訪問這些字段，還使用特殊描述符通過其從對象開頭的偏移量來訪問字段，這些對象位于類字典中：
mappingproxy({'__new__':
,
.......................................
'x':
,
'y':
,
'z':
})
| 數據量 | 內存占用 |
|---|---|
| 1 000 000 | 40 Mb |
| 10 000 000 | 400 Mb |
| 100 000 000 | 4.0 Gb |
Cython
有一種方法基于Cython的使用。 它的優點是字段可以采用C語言原子類型的值。例如：
cdef class Python:
cdef public int x, y, z
def __init__(self, x, y, z):
self.x = x
self.y = y
self.z = z
這種情況下，占用的內存更小：
>>> ob = Point(1,2,3)
>>> print(sys.getsizeof(ob))
32
內存結構分布如下:
| 字段 | 內存占用(bytes) |
|---|---|
| PyObject_HEAD | 16 |
| x | 4 |
| y | 4 |
| y | 4 |
| пусто | 4 |
| TOTAL | 32 |
| 數據量 | 內存占用 |
|---|---|
| 1 000 000 | 32 Mb |
| 10 000 000 | 320 Mb |
| 100 000 000 | 3.2 Gb |
但是，從Python代碼訪問時，每次都會執行從int到Python對象的轉換，反之亦然。
Numpy
在純Python的環境中，使用Numpy能帶來更好的效果，例如:
>>> Point = numpy.dtype(('x', numpy.int32), ('y', numpy.int32), ('z', numpy.int32)])
創建初始值是0的數組：
>>> points = numpy.zeros(N, dtype=Point)
| 數據量 | 內存占用 |
|---|---|
| 1 000 000 | 12 Mb |
| 10 000 000 | 120 Mb |
| 100 000 000 | 1.2 Gb |
最后
可以看出，在Python性能優化這方面，還是有很多事情可以做的。Python提供了方便的同時，也需要暫用較多的資源。在不通的場景下，我需要選擇不同的處理方法，以便帶來更好的性能體驗.
更多有趣的文章，請點擊我的博客
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
