High Performance Python, 2. Auflage

Kapitel 11. Weniger RAM verwenden

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Fragen, die du nach diesem Kapitel beantworten kannst

• Warum sollte ich weniger RAM verwenden?

• Warum sind numpy und array besser geeignet, um viele Zahlen zu speichern?

• Wie kann viel Text effizient im Arbeitsspeicher gespeichert werden?

• Wie konnte ich (ungefähr!) bis ${10}^{76}$ mit nur 1 Byte?

• Was sind Bloom-Filter, und warum brauche ich sie?

Wir denken selten darüber nach, wie viel Arbeitsspeicher wir verbrauchen, bis er uns ausgeht. Wenn dir der Speicherplatz ausgeht, während du deinen Code skalierst, kann das zu einem plötzlichen Hindernis werden. Mehr Arbeitsspeicher bedeutet, dass weniger Rechner verwaltet werden müssen, und es gibt dir die Möglichkeit, Kapazitäten für größere Projekte zu planen. Wenn du weißt, warum der Arbeitsspeicher verbraucht wird, und dir überlegst, wie du diese knappe Ressource effizienter nutzen kannst, kannst du mit Skalierungsproblemen umgehen. Wir werden den Memory Profiler und die IPython Memory Usage Tools verwenden, um die tatsächliche RAM-Nutzung zu messen, sowie einige Tools, die Objekte untersuchen, um herauszufinden, wie viel RAM sie verwenden.

Eine weitere Möglichkeit, Arbeitsspeicher zu sparen, ist die Verwendung von Containern, die Merkmale in deinen Daten zur Komprimierung nutzen. In diesem Kapitel sehen wir uns ein Trie (geordnete Baumdatenstrukturen) und einen ...