Python部落(python.freelycode.com)组织翻译，禁止转载，欢迎转发。
在这篇文章中，我会介绍一些能在Python中帮助我们解决痛苦问题的工具，特别是当我们使用PyPy时的内存消耗问题。
为什么我们第一个关心这个问题呢？为什么我们不仅仅关心性能？这些问题的答案非常复杂，但我会总结出来。
PyPy是一个可选的Python解释器，它具有比CPython更大的优势：速度（通过它的JIT编译器），兼容性（几乎可以替代CPyton）和并发性（使用stackless和greenlets）。
PyPy有一个缺点，由于它的JIT和垃圾一样的回收站实现，所以它通常会比CPython使用更多的内存。然而在某些情况下，它能够比CPython消耗更少的内存。
接下来我们来看看如何测量你的程序使用了多少内存。
诊断内存的使用情况
memory_profiler
这是一个可以用于测量解释器运行一个负载时使用的内存量的库，名称为memory_profiler。它可以通过pip安装：
并且需要安装psutil依赖包：
这个工具的优点是会在Python脚本中一行行的显示内存的消耗。这有助于我们从脚本中找到可以重写的地方，但这种分析带来了一个缺点。你的代码将比一般的脚本运行慢10到20倍。
怎么使用它呢？你只需要将@profile()添加到你需要测试的函数中就可以了。
让我们看看它的运行吧！我们将使用我们之前文章中的素材脚本作为模型，稍微修改以删除统计部分。它可以在GitHub上查看。
https://github.com/apatrascu/hunting-python-performance/blob/master/02.primes-v1.py
开始测试，需要使用以下PyPy命令：
或者更简短，通过直接在脚本中导入memory_profiler：
执行这一行代码之后，我们将看到PyPy得到如下的结果：
我们可以看到这个脚本使用了24.371094MiB的RAM。让我们分析一下，我们看到其中大多数是在构建数组时使用，这个数组排除了偶数，保存了所有其他的数值。
我们可以通过调用range函数来改善这一点，其使用一个增量参数。
如果再次测试，我们会看到如下结果：
不错，现在我们的内存消耗降到了22.75MiB。消耗可以通过使用列表解析（list comprehension）再次降低。
再次测试：
我们脚本的最终版本仅消耗了22.451875MiB。这几乎比第一个版本减少了10%。
英文原文：https://pythonfiles.wordpress.com/2017/05/18/hunting-python-performance-part-2/
译者：南北丶
