本文完整示例代码及文件已上传至我的
Github仓库https://github.com/CNFeffery/PythonPracticalSkills
这是我的系列文章「Python实用秘技」的第6期，本系列立足于笔者日常工作中使用Python积累的心得体会，每一期为大家带来一个几分钟内就可学会的简单小技巧。
作为系列第6期，我们即将学习的是：一行代码分析Python代码行级别内存消耗。
很多情况下，我们需要对已经写好的Python程序的内存消耗进行优化，但是一段代码在运行过程中的内存消耗是动态变化的，这种时候就可以用到memory_profiler这个第三方库，它可以帮助我们分析记录Python脚本中，执行到每一行时，内存的消耗及波动变化情况。
memory_profiler的使用方法超级简单，使用pip install memory_profiler完成安装后，只需要从memory_profiler导入profile并作为要分析的目标函数的装饰器即可，譬如下面这个例子：
demo.py
import numpy as np
from memory_profiler import profile
@profile
def demo():
a = np.random.rand(10000000)
b = np.random.rand(10000000)
a_ = a[a < b]
b_ = b[a < b]
del a, b
return a_, b_
if __name__ == '__main__':
demo()
接着在终端执行python demo.py，稍事等待后，就会看到打印出的分析结果报告（这里我是在jupyter lab里执行的终端命令）：
其中Line #列记录了分析的各行代码具体行位置，Mem usage列记录了当程序执行到该行时，当前进程占用内存的量，Increment记录了当前行相比上一行内存消耗的变化量，Occurrences记录了当前行的执行次数（循环、列表推导等代码行会记作多次），Line Contents列则记录了具体对应的行代码。
通过这样细致的内存分析结果，我们就能有的放矢地优化我们的代码啦~
本期分享结束，咱们下回见~
