Python de alto rendimiento, 2ª edición

Capítulo 11. Usar menos RAM

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Preguntas que podrás responder después de este capítulo

• ¿Por qué debería usar menos RAM?

• ¿Por qué numpy y array son mejores para almacenar muchos números?

• ¿Cómo se puede almacenar eficazmente mucho texto en la RAM?

• ¿Cómo podría contar (¡aproximadamente!) hasta ${10}^{76}$ utilizando sólo 1 byte?

• ¿Qué son los filtros Bloom y por qué puedo necesitarlos?

Rara vez pensamos en cuánta RAM estamos utilizando hasta que nos quedamos sin ella. Si se te acaba mientras escalas tu código, puede convertirse en un bloqueo repentino. Meter más en la RAM de una máquina significa menos máquinas que gestionar, y te da una vía para planificar la capacidad de proyectos más grandes. Saber por qué se come la RAM y considerar formas más eficientes de utilizar este recurso escaso te ayudará a afrontar los problemas de escalado. Utilizaremos las herramientas Memory Profiler e IPython Memory Usage para medir el uso real de RAM, junto con algunas herramientas que introspeccionan objetos para intentar adivinar cuánta RAM están utilizando.

Otra vía para ahorrar RAM es utilizar contenedores que utilicen características de tus datos para la compresión. En este capítulo, veremos un trie (estructuras de datos en forma de árbol ordenado) y un grafo acíclico dirigido de palabras (DAWG) que pueden comprimir un set de cadenas de 1,2 GB hasta sólo 30 MB con pocos ...