Python占用的内存优化教程
概述
如果程序处理的数据比较多、比较复杂，那么在程序运行的时候，会占用大量的内存，当内存占用到达一定的数值，程序就有可能被操作系统终止，特别是在限制程序所使用的内存大小的场景，更容易发生问题。下面我就给出几个优化Python占用内存的几个方法。
说明：以下代码运行在Python3。
举个栗子
我们举个简单的场景，使用Python存储一个三维坐标数据，x,y,z。
Dict
使用Python内置的数据结构Dict来实现上述例子的需求很简单。
>>>ob={'x':1,'y':2,'z':3}
>>>x=ob['x']
>>>ob['y']=y
查看以下ob这个对象占用的内存大小：
>>>print(sys.getsizeof(ob)) 240
简单的三个整数，占用的内存还真不少，想象以下，如果有大量的这样的数据要存储，会占用更大的内存。
| 数据量 | 占用内存大小 |
|---|---|
| 1000000 | 240Mb |
| 10000000 | 2.40Gb |
| 100000000 | 24Gb |
Class
对于喜欢面向对象编程的程序员来说，更喜欢把数据包在一个class里。使用class使用同样需求：
classPoint: # def__init__(self,x,y,z): self.x=x self.y=y self.z=z >>>ob=Point(1,2,3)
class的数据结构和Dict区别就很大了，我们来看看这种情况下占用内存的情况：
| 字段 | 占用内存 |
|---|---|
| PyGC_Head | 24 |
| PyObject_HEAD | 16 |
| __weakref__ | 8 |
| __dict__ | 8 |
| TOTAL | 56 |
关于__weakref__（弱引用）可以查看这个文档，对象的dict中存储了一些self.xxx的一些东西。从Python3.3开始，key使用了共享内存存储，减少了RAM中实例跟踪的大小。
>>>print(sys.getsizeof(ob),sys.getsizeof(ob.__dict__)) 56112
| 数据量 | 占用内存 |
|---|---|
| 1000000 | 168Mb |
| 10000000 | 1.68Gb |
| 100000000 | 16.8Gb |
可以看到内存占用量，class比dict少了一些，但这远远不够。
__slots__
从class的内存占用分布上，我们可以发现，通过消除dict和_weakref__，可以显着减少RAM中类实例的大小，我们可以通过使用slots来达到这个目的。
classPoint: __slots__='x','y','z' def__init__(self,x,y,z): self.x=x self.y=y self.z=z >>>ob=Point(1,2,3) >>>print(sys.getsizeof(ob)) 64
可以看到内存占用显著的减少了
| 字段 | 内存占用 |
|---|---|
| PyGC_Head | 24 |
| PyObject_HEAD | 16 |
| x | 8 |
| y | 8 |
| z | 8 |
| TOTAL | 64 |
| 数据量 | 占用内存 |
|---|---|
| 1000000 | 64Mb |
| 10000000 | 640Mb |
| 100000000 | 6.4Gb |
默认情况下,Python的新式类和经典类的实例都有一个dict来存储实例的属性。这在一般情况下还不错，而且非常灵活，乃至在程序中可以随意设置新的属性。但是，对一些在”编译”前就知道有几个固定属性的小class来说，这个dict就有点浪费内存了。
当需要创建大量实例的时候，这个问题变得尤为突出。一种解决方法是在新式类中定义一个slots属性。
slots声明中包含若干实例变量，并为每个实例预留恰好足够的空间来保存每个变量；这样Python就不会再使用dict，从而节省空间。
那么用slot就是非非常那个有必要吗？使用slots也是有副作用的：
- 每个继承的子类都要重新定义一遍slots
- 实例只能包含哪些在slots定义的属性，这对写程序的灵活性有影响，比如你由于某个原因新网给instance设置一个新的属性，比如instance.a=1,但是由于a不在slots里面就直接报错了，你得不断地去修改slots或者用其他方法迂回的解决
- 实例不能有弱引用（weakref）目标，否则要记得把weakref放进slots
最后，namedlist和attrs提供了自动创建带slot的类，感兴趣的可以试试看。
Tuple
Python还有一个内置类型元组，用于表示不可变数据结构。元组是固定的结构或记录，但没有字段名称。对于字段访问，使用字段索引。在创建元组实例时，元组字段一次性与值对象关联：
>>>ob=(1,2,3) >>>x=ob[0] >>>ob[1]=y#ERROR
元组的示例很简洁：
>>>print(sys.getsizeof(ob)) 72
可以看只比slot多8byte：
| 字段 | 占用内存(bytes) |
|---|---|
| PyGC_Head | 24 |
| PyObject_HEAD | 16 |
| ob_size | 8 |
| [0] | 8 |
| [1] | 8 |
| [2] | 8 |
| TOTAL | 72 |
Namedtuple
通过namedtuple我们也可以实现通过key值来访问tuple里的元素：
Point=namedtuple('Point',('x','y','z'))
它创建了一个元组的子类，其中定义了用于按名称访问字段的描述符。对于我们的例子，它看起来像这样:
classPoint(tuple): # @property def_get_x(self): returnself[0] @property def_get_y(self): returnself[1] @property def_get_y(self): returnself[2] # def__new__(cls,x,y,z): returntuple.__new__(cls,(x,y,z))
此类的所有实例都具有与元组相同的内存占用。大量实例会留下稍大的内存占用：
| 数据量 | 内存占用 |
|---|---|
| 1000000 | 72Mb |
| 10000000 | 720Mb |
| 100000000 | 7.2Gb |
Recordclass
python的第三方库recordclassd提供了一个数据结构recordclass.mutabletuple，它几乎和内置tuple数据结构一致，但是占用更少的内存。
>>>Point=recordclass('Point',('x','y','z'))
>>>ob=Point(1,2,3)
实例化以后，只少了PyGC_Head:
| 字段 | 占用内存 |
|---|---|
| PyObject_HEAD | 16 |
| ob_size | 8 |
| x | 8 |
| y | 8 |
| y | 8 |
| TOTAL | 48 |
到此，我们可以看到，和slot比，又进一步缩小了内存占用：
| 数据量 | 内存占用 |
|---|---|
| 1000000 | 48Mb |
| 10000000 | 480Mb |
| 100000000 | 4.8Gb |
Dataobject
recordclass提供了另外一个解决方法：在内存中使用与slots类相同的存储结构，但不参与循环垃圾收集机制。通过recordclass.make_dataclass可以创建出这样的实例：
>>>Point=make_dataclass('Point',('x','y','z'))
另外一个方法是继承自dataobject
classPoint(dataobject): x:int y:int z:int
以这种方式创建的类将创建不参与循环垃圾收集机制的实例。内存中实例的结构与slots的情况相同，但没有PyGC_Head：
| 字段 | 内存占用(bytes) |
|---|---|
| PyObject_HEAD | 16 |
| x | 8 |
| y | 8 |
| y | 8 |
| TOTAL | 40 |
>>>ob=Point(1,2,3) >>>print(sys.getsizeof(ob)) 40
要访问这些字段，还使用特殊描述符通过其从对象开头的偏移量来访问字段，这些对象位于类字典中：
mappingproxy({'__new__':,
.......................................
'x':,
'y':,
'z':})
| 数据量 | 内存占用 |
|---|---|
| 1000000 | 40Mb |
| 10000000 | 400Mb |
| 100000000 | 4.0Gb |
Cython
有一种方法基于Cython的使用。它的优点是字段可以采用C语言原子类型的值。例如：
cdefclassPython: cdefpublicintx,y,z def__init__(self,x,y,z): self.x=x self.y=y self.z=z
这种情况下，占用的内存更小：
>>>ob=Point(1,2,3) >>>print(sys.getsizeof(ob)) 32
内存结构分布如下:
| 字段 | 内存占用(bytes) |
|---|---|
| PyObject_HEAD | 16 |
| x | 4 |
| y | 4 |
| y | 4 |
| пусто | 4 |
| TOTAL | 32 |
| 数据量 | 内存占用 |
|---|---|
| 1000000 | 32Mb |
| 10000000 | 320Mb |
| 100000000 | 3.2Gb |
但是，从Python代码访问时，每次都会执行从int到Python对象的转换，反之亦然。
Numpy
在纯Python的环境中，使用Numpy能带来更好的效果，例如:
>>>Point=numpy.dtype(('x',numpy.int32),('y',numpy.int32),('z',numpy.int32)])
创建初始值是0的数组：
>>>points=numpy.zeros(N,dtype=Point)
| 数据量 | 内存占用 |
|---|---|
| 1000000 | 12Mb |
| 10000000 | 120Mb |
| 100000000 | 1.2Gb |
最后
可以看出，在Python性能优化这方面，还是有很多事情可以做的。Python提供了方便的同时，也需要暂用较多的资源。在不通的场景下，我需要选择不同的处理方法，以便带来更好的性能体验。