python memory_profiler库生成器和迭代器内存占用的时间分析

不进行计算时，生成器和list空间占用

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()

显示结果的含义：第一列表示已分析代码的行号，第二列（Mem 使用情况）表示执行该行后 Python 解释器的内存使用情况。第三列（增量）表示当前行相对于最后一行的内存差异。最后一列（行内容）打印已分析的代码。
分析：在不进行计算的情况下，列表list和迭代器会占用空间，但对于生成器不会占用空间

当需要计算时，list和生成器的花费时间和占用内存

使用sum内置函数，list和生成器求和10000000个数据，list内存占用较大，生成器花费时间大概是list的两倍

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()

比较分析，如果需要对数据进行迭代使用时，生成器方法的耗时较长，但内存使用方面还是较少，因为使用生成器时，内存只存储每次迭代计算的数据。分析原因时个人认为，生成器的迭代计算过程中，在迭代数据和计算直接不断转换，相比与迭代器对象中先将数据全部保存在内存中（虽然占内存，但读取比再次迭代要快），因此，生成器比较费时间，但占用内存小。

记录数据循环求和500000个数据，迭代器和生成器循环得到时

总结：几乎同时完成，迭代器的占用内存较大

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计算5000000个数据时间比较

总结：list+sum和迭代器+sum计算时长差不多，但生成器+sum计算的时长几乎长一倍，

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()

到此这篇关于python memory_profiler库生成器和迭代器内存占用的时间分析的文章就介绍到这了,更多相关python的memory_profiler 内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！