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Devmax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Devmax！