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 |
|---|---|
| 1 000 000 | 240 Mb |
| 10 000 000 | 2.40 Gb |
| 100 000 000 | 24 Gb |
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：
class Point:
#
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Python 3.3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__))
56 112
| 数据量 | 占用内存 |
|---|---|
| 1 000 000 | 168 Mb |
| 10 000 000 | 1.68 Gb |
| 100 000 000 | 16.8 Gb |
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。
class Point:
__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 |
|---|---|
| 1 000 000 | 64Mb |
| 10 000 000 | 640Mb |
| 100 000 000 | 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:
class Point(tuple):
#
@property
def _get_x(self):
return self[0]
@property
def _get_y(self):
return self[1]
@property
def _get_y(self):
return self[2]
#
def __new__(cls, x, y, z):
return tuple.__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 |
|---|---|
| 1 000 000 | 72 Mb |
| 10 000 000 | 720 Mb |
| 100 000 000 | 7.2 Gb |
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 |
|---|---|
| 1 000 000 | 48 Mb |
| 10 000 000 | 480 Mb |
| 100 000 000 | 4.8 Gb |
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
class Point(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 |
|---|---|
| 1 000 000 | 40 Mb |
| 10 000 000 | 400 Mb |
| 100 000 000 | 4.0 Gb |
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：
cdef class Python:
cdef public int x, 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 |
|---|---|
| 1 000 000 | 32 Mb |
| 10 000 000 | 320 Mb |
| 100 000 000 | 3.2 Gb |
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 |
|---|---|
| 1 000 000 | 12 Mb |
| 10 000 000 | 120 Mb |
| 100 000 000 | 1.2 Gb |
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.
更多有趣的文章，请点击我的博客
