总和是做什么的？

Question

首先，我想测试生成器和列表理解之间的内存使用情况。这本书给了我一个小台代码sn-p，我在我的PC（python3.6，Windows）上运行它，发现了一些意想不到的东西。

1. 书上说，因为列表理解必须创建一个真正的列表并为其分配内存，所以从列表理解中迭代必须比从生成器中迭代慢。
2. 当然，列表理解比生成器使用更多内存。

以下是我的代码，不满足先前的意见（在 sum 函数内）。

import tracemalloc
from time import time


def timeIt(func):
    start = time()
    func()
    print('%s use time' % func.__name__, time() - start)
    return func


tracemalloc.start()

numbers = range(1, 1000000)


@timeIt
def lStyle():
    return sum([i for i in numbers if i % 3 == 0])


@timeIt
def gStyle():
    return sum((i for i in numbers if i % 3 == 0))


lStyle()

gStyle()

shouldSize = [i for i in numbers if i % 3 == 0]

snapshotL = tracemalloc.take_snapshot()
top_stats = snapshotL.statistics('lineno')
print("[ Top 10 ]")
for stat in top_stats[:10]:
    print(stat)

输出：

lStyle use time 0.4460000991821289
gStyle use time 0.6190001964569092
[ Top 10 ]
F:/py3proj/play.py:31: size=11.5 MiB, count=333250, average=36 B
F:/py3proj/play.py:33: size=448 B, count=1, average=448 B
F:/py3proj/play.py:22: size=136 B, count=1, average=136 B
F:/py3proj/play.py:17: size=136 B, count=1, average=136 B
F:/py3proj/play.py:14: size=76 B, count=2, average=38 B
F:/py3proj/play.py:8: size=34 B, count=1, average=34 B

两点：

• 生成器使用更多的时间和相同的内存空间。
• sum 函数中的列表理解似乎无法创建总列表

我想也许 sum 函数做了一些我不知道的事情。谁能解释一下？

这本书是 High Perfoamance Python.chapter 5.But I do sth own different from the book to check the evidence in other context.他的代码在这里book_code，他没有把列表理解放在 sum 函数中。

Answer 1

在时间性能测试方面，我确实依赖timeit 模块，因为它会自动执行代码的多次运行。

在我的系统上，timeit 给出以下结果（由于运行次数众多，我强烈减小了大小）：

>>> timeit.timeit("sum([i for i in numbers if i % 3 == 0])", "numbers = range(1, 1000)")
59.54427594248068
>>> timeit.timeit("sum((i for i in numbers if i % 3 == 0))", "numbers = range(1, 1000)")
64.36398425334801

因此生成器慢了大约 8% (*)。这并不奇怪，因为生成器必须即时执行一些代码才能获得下一个值，而预先计算的列表只会增加其当前指针。

恕我直言，内存评估更复杂，所以我使用了来自 activestate 的Compute Memory footprint of an object and its contents (Python recipe)

>>> numbers = range(1, 100)
>>> numbers = range(1, 100000)
>>> l = [i for i in numbers if i % 3 == 0]
>>> g = (i for i in numbers if i % 3 == 0)
>>> total_size(l)
1218708
>>> total_size(g)
88
>>> total_size(numbers)
48

我的解释是，列表的所有项目都使用内存（这并不奇怪），而生成器只需要很少的值和一些代码，因此生成器的内存占用要少得多。

我强烈认为您已将tracemalloc 用于某些不适合的用途。它旨在搜索可能的内存泄漏（大块内存从未被释放），而不是控制单个对象使用的内存。

---

注意：我只能测试小尺寸。但是对于非常大的大小，列表可能会耗尽可用内存，并且机器将使用交换中的虚拟内存。在这种情况下，列表版本会变得更慢。更多详情there