def a(n):
return b(n)
def b(n):
return [c(n), d(n)]
def c(n):
return "a" * n
def d(n):
return "a" * n
a(100000)
火焰图报告由该图可以看出，函数a调用了函数b，函数b调用了函数c和函数d。且第一层函数c
和函数d所占的宽度相同，表示c和d占用的内存一样。
该报告以表格的形式展示程序的内存使用情况。Thread ID表示对应的线程，Size表示占用的内存总数，Allocator表示占用内存的函数，Location表示函数所在的位置。同时，还可以对每一列的数据进行排序。
表格报告
该报告可以清晰的显示出程序的调用层次。树形报告中根节点中的内存总量和所占百分比
只是针对于图中展示的数据，占用内存小的不在图中。
树形报告
该报告可以显示程序内存使用情况的详细信息，包括分配的内存总量、分配类型(例如MALLOC, CALLOC)等。
统计报告项目地址
https://github.com/bloomberg/memray
安装
目前只能在Linux平台上使用Memray。由于Memray使用了C语言，发布的版本
是二进制的，所以得先在系统上安装二进制编译工具。随后在Python3.7+的环境
下安装Memray：
python3 -m pip install memray
如果你想安装开发版本的Memray，首先要在系统上安装二进制工具：libunwind 和liblz4，随后克隆项目并运行如下命令进行安装：
git clone git@github.com:bloomberg/memray.git memray
cd memray
python3 -m venv ../memray-env/ # just an example, put this wherever you want
source ../memray-env/bin/activate
python3 -m pip install --upgrade pip
python3 -m pip install -e . -r requirements-test.txt -r requirements-extra.txt
使用
我们可以通过以下命令来追踪python代码的内存分配情况,my_script.py就是要分析的文件：
python3 -m memray run my_script.py
也可以把memray当作命令行工具使用，例如：
memray run my_script.py
memray run -m my_module
以上命令会输出一个二进制文件，随后我们可以根据需要生成统计报告。假如我们想生成一个总结报告，那么可以运行如下命令：
memray summary my_script.bin
会生成程序内存分配的总结报告：
总结报告不同的报告形式在简介部分都有展示，请读者自行查看。
当要使用Memray分析numpy或者pandas这种包含C代码的模块时，我们可以运行如下命令：
memray run --native my_script.py
从而直观的看到Python代码分配了多少内存，扩展模块分配了多少内存。
假如我们在一个文件中使用了Numpy,当我们不使用--native时，生成的统计报告如下图：
统计报告从图中可以看出在计算Numpy数组时分配了内存，但不清楚是Numpy还是Python解释器分配了内存。通过使用--native命令，就可以得到一个
更全面的报告，如图所示：
native报告从图中可以看到Numpy中C模块的调用情况，当添加Numpy数组后，产生了内存分配。我们可以通过文件的后缀名区分Python模块和C模块。
-
Memray还支持动态查看Python代码的内存分配情况，我们只需使用以下命令：
memray run --live my_script.py
在这种模式下，开发者可以调试运行时间较长的代码。下图即为文件运行时的内存分配情况：
Live模式
统计报告中的结果通常是根据分配的总内存，从大到小依次排列。我们可以改变排序条件：
使用live命令默认展示的是主线程的内存分配情况，我们可以通过左右箭头切换到其他线程。
其他线程
除了使用memray run查看Python代码的内存分配，还可以在Python程序中使用memray。
import memray
with memray.Tracker("output_file.bin"):
print("Allocations will be tracked until the with block ends")
更多细节可以查看相关API文档[1]。
后记
在我们平时编写 Python 代码的过程中，有时候只考虑到了业务功能的实现，而忽视了代码的合理性与规范性，例如内存分配就是一个很重要的点，合理的内存分配有助于
提升项目的运行速度。Memray 就是一个支持查看Python代码内存分配的工具，它的便捷之处在于：我们可以根据需要，生成多种分析报告，从而直观的了解到自己代码的内存分配情况，避免发生内存泄露现象。
你写 Python 代码时关注过内存使用情况吗？欢迎到评论中分享～
[1]API文档: https://bloomberg.github.io/memray/api.html
- EOF -
觉得本文有帮助？请分享给更多人
推荐关注「算法爱好者」，修炼编程内功
点赞和在看就是最大的支持❤️
