Python中如何使用memory_profiler？

在 Python 中使用 memory_profiler 可以监控代码的内存使用情况。以下是详细的使用方法：

1. 安装 memory_profiler

pip install memory_profiler

2. 基本用法

方法 1：装饰器模式（逐行分析）

在需要分析的函数上添加 @profile 装饰器，然后运行代码。

from memory_profiler import profile

@profile
def my_func():
    a = [1] * 1000000  # 分配一个大列表
    b = [2] * 2000000
    del b  # 删除 b 释放内存
    return a

if __name__ == "__main__":
    my_func()

运行命令

python -m memory_profiler your_script.py

输出示例

Line #    Mem usage    Increment  Occurrences   Line Contents
=============================================================
     1     38.1 MiB     38.1 MiB           1   @profile
     2                                         def my_func():
     3     45.8 MiB      7.7 MiB           1       a = [1] * 1000000
     4     61.5 MiB     15.7 MiB           1       b = [2] * 2000000
     5     45.8 MiB    -15.7 MiB           1       del b
     6     45.8 MiB      0.0 MiB           1       return a

方法 2：代码中直接测量

如果不方便用装饰器，可以手动调用 memory_usage。

from memory_profiler import memory_usage

def my_func():
    a = [1] * 1000000
    b = [2] * 2000000
    return a

mem_usage = memory_usage((my_func, ()))
print(f"内存峰值: {max(mem_usage)} MiB")

方法 3：Jupyter Notebook 中使用

在 Notebook 中直接加载 memory_profiler 扩展：

%load_ext memory_profiler

# 单行分析
%memit [x for x in range(1000000)]

# 函数逐行分析
%%memit
def test():
    a = [1] * 1000000
    return a
test()

3. 关键参数

precision: 输出内存数值的精度（默认 1，即小数点后 1 位）。
stream: 重定向输出（如写入文件）。
interval: 采样间隔时间（默认 0.1 秒）。

示例：

@profile(precision=4, stream=open("mem_log.txt", "w+"))
def my_func():
    # ...

4. 可视化工具（可选）

结合 matplotlib 绘制内存变化曲线：

from memory_profiler import memory_usage
import matplotlib.pyplot as plt

mem = memory_usage((my_func, ()))
plt.plot(mem)
plt.ylabel("Memory (MiB)")
plt.show()