Question

首先，我想测试生成器和列表理解之间的内存使用情况。本书给了我一个小小的代码片段，我在我的PC上运行它（python3.6，Windows），找到意想不到的东西。

在书上，它说，因为列表理解必须创建一个真实的列表并为它分配内存，所以从列表理解中获取的速度必须比从生成器中获取更慢。
当然，list-comprehension使用的内存比生成器多。

FOllowing是我的代码，它不满足以前的意见（在sum函数中）。

import tracemalloc
from time import time


def timeIt(func):
    start = time()
    func()
    print('%s use time' % func.__name__, time() - start)
    return func


tracemalloc.start()

numbers = range(1, 1000000)


@timeIt
def lStyle():
    return sum([i for i in numbers if i % 3 == 0])


@timeIt
def gStyle():
    return sum((i for i in numbers if i % 3 == 0))


lStyle()

gStyle()

shouldSize = [i for i in numbers if i % 3 == 0]

snapshotL = tracemalloc.take_snapshot()
top_stats = snapshotL.statistics('lineno')
print("[ Top 10 ]")
for stat in top_stats[:10]:
    print(stat)

输出：

lStyle use time 0.4460000991821289
gStyle use time 0.6190001964569092
[ Top 10 ]
F:/py3proj/play.py:31: size=11.5 MiB, count=333250, average=36 B
F:/py3proj/play.py:33: size=448 B, count=1, average=448 B
F:/py3proj/play.py:22: size=136 B, count=1, average=136 B
F:/py3proj/play.py:17: size=136 B, count=1, average=136 B
F:/py3proj/play.py:14: size=76 B, count=2, average=38 B
F:/py3proj/play.py:8: size=34 B, count=1, average=34 B

两点：

生成器使用更多时间和相同的内存空间。
sum函数中的list-comprehension似乎没有创建总列表

我想也许sum函数做了我不知道的事情。谁能解释一下？

这本书是High Perfoamance Python.chapter 5.但是我确实与本书不同，以检查其他背景下的有效性。他的代码在book_code，他并没有将列表理解放在总和函数中。

Answer 1

在时间性能测试方面，我确实依赖于timeit模块，因为它会自动执行多次代码运行。

在我的系统上，timeit给出了以下结果（由于大量运行，我大大减小了尺寸）：

>>> timeit.timeit("sum([i for i in numbers if i % 3 == 0])", "numbers = range(1, 1000)")
59.54427594248068
>>> timeit.timeit("sum((i for i in numbers if i % 3 == 0))", "numbers = range(1, 1000)")
64.36398425334801

所以发电机慢了大约8％（*）。这实际上并不令人惊讶，因为生成器必须执行一些代码动态以获取下一个值，而预先计算的列表只增加其当前指针。

记忆评估恕我直言更复杂，所以我使用了来自activestate的Compute Memory footprint of an object and its contents (Python recipe)

>>> numbers = range(1, 100)
>>> numbers = range(1, 100000)
>>> l = [i for i in numbers if i % 3 == 0]
>>> g = (i for i in numbers if i % 3 == 0)
>>> total_size(l)
1218708
>>> total_size(g)
88
>>> total_size(numbers)
48

我的解释是列表使用内存来处理所有项目（这不是一个惊喜），而生成器只需要很少的值和一些代码，因此生成器的内存占用量要小得多。

我强烈认为您已将tracemalloc用于不适用的内容。它的目的是搜索可能的内存泄漏（大块内存从未解除分配），而不是控制单个对象使用的内存。

请注意：我只能测试小尺寸。但是对于非常大的大小，列表可能耗尽可用内存，并且机器将使用来自交换的虚拟内存。在这种情况下，列表版本将变得更慢。更多详情there

总和是做什么的？

1 个答案: