很多情況下，我們需要對(duì)已經(jīng)寫(xiě)好的Python程序的內(nèi)存消耗進(jìn)行優(yōu)化，但是一段代碼在運(yùn)行過(guò)程中的內(nèi)存消耗是動(dòng)態(tài)變化的，這種時(shí)候就可以用到memory_profiler這個(gè)第三方庫(kù)，它可以幫助我們分析記錄Python腳本中，執(zhí)行到每一行時(shí)，內(nèi)存的消耗及波動(dòng)變化情況。

memory_profiler的使用方法超級(jí)簡(jiǎn)單，使用pip install memory_profiler完成安裝后，只需要從memory_profiler導(dǎo)入profile并作為要分析的目標(biāo)函數(shù)的裝飾器即可，譬如下面這個(gè)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(zhí)行python demo.py，稍事等待后，就會(huì)看到打印出的分析結(jié)果報(bào)告(這里我是在jupyter lab里執(zhí)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(dāng)程序執(zhí)行到該行時(shí)，當(dāng)前進(jìn)程占用內(nèi)存的量，Increment記錄了當(dāng)前行相比上一行內(nèi)存消耗的變化量，Occurrences記錄了當(dāng)前行的執(zhí)行次數(shù)(循環(huán)、列表推導(dǎo)等代碼行會(huì)記作多次)，Line Contents列則記錄了具體對(duì)應(yīng)的行代碼。

通過(guò)這樣細(xì)致的內(nèi)存分析結(jié)果，我們就能有的放矢地優(yōu)化我們的代碼啦~