不進行計算時，生成器和list空間占用
import timefrom memory_profiler import [email protected](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 timefrom memory_profiler import [email protected](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，內存只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 timefrom memory_profiler import profileitery = iter([i for i in range(5000000)])gent = (i for i in range(5000000))@profile(precision=4)def iter_fun():start = time.time()total= 0for item in itery:total+=itemprint('iter:',time.time()-start)@profile(precision=4)def gent_func():gent_start = time.time()total = 0for item in gent:total+=itemprint('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 timefrom memory_profiler import [email protected](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 = 0total = 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了,更多相關python的memory_profiler 內容請搜索軟件開發網以前的文章或繼續浏覽下面的相關文章希望大家以後多多支持軟件開發網！
