标签：highlight size inf 方法 整数 注意 输出 估算 port
在Python中，列表是一个动态的指针数组，而array模块所提供的array对象则是保存相同类型的数值的动态数组。由于array直接保存值，因此它所使用的内存比列表少。列表和array都是动态数组，因此往其中添加新元素，而没有空间保存新的元素时，它们会自动重新分配内存块，并将原来的内存中的值复制到新的内存块中。为了减少重新分配内存的次数，通常每次重新分配时，大小都为原来的k倍。k值越大，则重新分配内存的次数越少，但浪费的空间越多。本节通过一系列的实验观察列表和array的内存分配模式。
sys.getsizeof()可以获得列表所占用的内存大小。请编写程序计算一个长度为10000的列表，它的每个下标都保存列表增长到此下标时的大小：
import sys
# 【你的程序】计算size列表，它的每个小标都保存增长到此下标时size列表的大小
size = []
for i in range(10000):
size.append(sys.getsizeof(size))
import pylab as pl
pl.plot(size, lw=2, c=‘b‘)
pl.show()
图中每个阶梯跳变的位置都表示一次内存分配，而每个阶梯的长度表示内存分配多出来的大小。
请编写程序计算表示每次分配内存时列表的内存大小的resize_pos数组：
import numpy as np
#【你的程序】计算resize_pos，它的每个元素是size中每次分配内存的位置
# 可以使用NumPy的diff()、where()、nonzero()快速完成此计算。
size = []
for i in range(10000):
size.append(sys.getsizeof(size))
size = np.array(size)
new_size = np.diff(size)
resize_pos = size[np.where(new_size)]
# resize_pos = size[np.nonzero(new_size)]
pl.plot(resize_pos, lw=2)
pl.show()
print ("list increase rate:")
tmp = resize_pos[25:].astype(np.float) # ?
print (np.average(tmp[1:]/tmp[:-1])) # ?
由图可知曲线呈指数增长，第45次分配内存时，列表的大小已经接近10000。
?为了计算增长率，只需要计算resize_pos数组前后两个值的商的平均值即可。
?为了提高精度，我们只计算后半部分的平均值，注意需要用astype()方法将整数数组转换为浮点数数组。程序的输出如下：
list increase rate:
1.12754776209
【注】np.where索引定位的两种用法，np.nonzero非零值bool判断的用法，np.diff差分函数的用法。
我们可以用scipy.optimize.curve_fit()对resize_pos数组进行拟合，拟合函数为指数函数：
请编写程序用上面的公式对resize_pos数组进行拟合：
from scipy.optimize import curve_fit
#【你的程序】用指数函数对resize_pos数组进行拟合
def func(x, a, b, c, d):
return a * np.exp(b * x + c) + d
xdata = range(len(resize_pos))
ydata = resize_pos
popt, pcov = curve_fit(func, xdata, ydata)
y = [func(i, *popt) for i in xdata]
pl.plot(xdata, y, lw=1, c=‘r‘)
pl.plot(xdata, ydata, lw=1, c=‘b‘)
pl.show()
print ("list increase rate by curve_fit:")
print (10**popt[1])
list increase rate by curve_fit: 1.31158606108
【注意】本程序中对于scipy中的指数拟合做了示范。
遗憾的是，无论array对象的长度是多少，sys.getsizeof()的结果都不变。因此无法用上节的方法计算array对象的增长因子。
由于内存分配时会耗费比较长的时间，因此可以通过测量每次增加元素的时间，找到内存分配时的长度。请编写测量增加元素的时间的程序：
from array import array
import time
#【你的程序】计算往array中添加元素的时间times
times = []
times_step = []
arrays = [array(‘l‘) for i in range(1000)]
start = time.time()
for i in range(1000):
start_step = time.time()
[a.append(i) for a in arrays]
end = time.time()
times_step.append(end-start_step)
times.append(end-start)
pl.figure()
pl.plot(times)
pl.figure()
pl.plot(times_step)
pl.show()
输出两幅图，前面的表示元素个数对应的程序总耗时，后面的表示每一次添加元素这一过程的耗时，注意，这张图只有在array数量较大时才是这个形状，数组数量不够时折线图差异很大。
进一步的，我们分析一下耗时显著大于附近点(极大值)的时刻的序列对应此时元素数量的折线图。
ts = np.array(times_step) le = range(np.sum(ts>0.00025)) si = np.squeeze(np.where(ts>0.00025)) pl.plot(le,si,lw=2) pl.show()
『Python』内存分析_list和array的内存增长模式
标签：highlight size inf 方法 整数 注意 输出 估算 port
原文地址：https://www.cnblogs.com/hellcat/p/8795841.html
