用到的内存分析工具为memory profile
- 传统的递归方式进行调用,来求第30个斐波那契数的值
import profile
def fib(n):
if n <= 1:
return n
else:
return fib(n - 2) + fib(n - 1)
profile.run('print(fib(30))')
结果如下,用时5.016秒
空间消耗的测试代码如下
#一下代码用来测试空间使用情况,用到的空间为memory profile
@profile
def fib(n):
if n <= 1:
return n
else:
return fib(n - 2) + fib(n - 1)
fib(30)
内存消耗情况如下:
- 利用字典缓存返回值的方式求第30个斐波那契数的值
import profile
class Cached(object):
def __init__(self, fn):
self.fn = fn
self.cache = {}
self.max_n = 0
def __call__(self, param):
try:
return self.cache[param]
except KeyError:
self.cache[param] = self.fn(param)
return self.cache[param]
@Cached
def fib(n):
if n <= 1:
return n
else:
return fib(n - 2) + fib(n - 1)
profile.run('print(fib(30))')
运行结果如下,只用了0.016秒,可以看出比上面没有用存储时提高了300多倍,效果还是很明显的
空间消耗的测试代码如下
class Cached(object):
def __init__(self, fn):
self.fn = fn
self.cache = {}
self.max_n = 0
def __call__(self, param):
try:
return self.cache[param]
except KeyError:
self.cache[param] = self.fn(param)
return self.cache[param]
@Cached
@profile
def fib(n):
if n <= 1:
return n
else:
return fib(n - 2) + fib(n - 1)
print(fib(30))
执行结果如下,可以看到内存这块儿,没有太大的提升,但也还是有一部分提升的
总结,经过上述实验,为我们代码执行速度方面的优化提供了一些思路,就是对一些比较耗时的操作,可以从缓存方面来进行考虑对其进行优化