作为近年来最为火热的编程语言之一，Python受到的争议和推崇同样很多。
无论是否从事Python方向的开发，都已经习惯把问题当做客观因素推卸给Python。
“你这个项目为什么耗时那么长？”
“Python的原因。”
我想说，Python为很多开发者背太多锅了。
的确，对比于C/C++、Java这些基于编译的语言而言，Python在内存利用和执行效率方面的确没有可比性。但是，它也没有大多数描述的那么不堪。
或许，有很多同学会想，至于为了一点一点内存费这么大劲吗？
至于！
举个例子，外出消费的过程中，觉得每次花费5块、10块不起眼，无关痛痒，但是每次月底还花呗的时候才发现居然消费了几千。
开发也一样，也许1个实例之间只节省了50byte，但是，100000000个呢？那就会节省高达5G的内存！
本文就来逐步介绍Python在内存方面的优惠，让你通过一篇文章迅速从青铜变成王者！
字典
字典对于Python就如同一把双刃剑。
字典在Python中要远比在Java、C++中占据更高的地位。在Python中，字典以其易于创建、删除、修改、读取，使得它备受欢迎。
我看过很多周围同事和GitHub开源代码，字典在Python中的使用频率非常之高。
但是，很多人却忽略了，字典具有很明显的弊端--耗内存。
甚至很多从事多年Python开发的程序员也没有意识到这个问题，或者寻求替代方案。
下面来看一个例子，
>>> exm = {"x": 1, "y": 2, "z": 3}
>>> print(sys.getsizeof(exm))
240直接使用字典，占用内存240byte。
类
很多开发者已经习惯了使用Python字典，或者对前面提到的240byte没有什么概念。
那么，下面用类的方式来存储数据。这种方式在很多开源的Java、C++代码中非常常见。
下面来用用类实现以下等同字典的结构，
class Shape:
def __init__(self, x, y, z):
self.x = x
self.y = y
self.z = z
exm = Shape(1, 2, 3)这样的话exm.x的功能等同于字典中的exm["x"]，可以用于访问对应的数据。
下面来看一下它占的内存，
>>> print(sys.getsizeof(exm) + sys.getsizeof(exm.__dict__))
168通过实现类，1个实例可以比字典节省72byte的内存！
通过字典的方式是类方式内存占用的1.4倍。
由于在Python类中，会用
__dict__存储类的属性值，因此，内存占据比重较大。这里168byte内存，其中56byte来自exm实例，112byte来自__dict__。
namedtuple
Python中常用的数据结构除了字典，还有元组tuple。
元组虽然可以用于存储数据，而且，可以通过索引进行取值，来替代通过key进行取值，但是它不具有键值信息。我想很多使用字典的场景，都是因为喜欢Python字典中key-value键值对，使得取值更加方便。
其实Python内置的collections提供了namedtuple可以替代字典的功能。
from collections import namedtuple
Shape = namedtuple('Shape', ['x', 'y', 'z'])
exm = Shape(1, 2, 3)这样，我们可以通过exm.x进行取值，下面来看一下它的内存占用情况。
>>> print(sys.getsizeof(exm))
72相比于类实现的方法，namedtuple节省了96byte，相对于字典，它更是节省了高达168byte。
通过字典的方式是namedtuple内存占用的3.3倍。
__slots__
__slots__是在Python内存优化中用的相对较多的方式，它相对于前面介绍的类实现方式，__slots__能够确定性的指明哪些类属性可以访问，同时不需要__dict__去存储类属性的值，所以，对比于单纯的类实现形式能够进一步优化内存。
class Shape:
__slots__ = 'x', 'y', 'z'
def __init__(self, x, y, z):
self.x = x
self.y = y
self.z = z
exm = Shape(1, 2, 3)下面来看一下它的内存占用，
>>> print(sys.getsizeof(exm))
64相对于字典，它更是节省了高达176byte。
通过字典的方式是namedtuple内存占用的3.8倍。
recordclass
前面介绍的方法都是通过Python内置的方法或模块实现的，现在再来介绍一种通过第三方包实现内存优化的方式。
recordclass包引入了recordclass.mutabletuple类型，该类型与元组tuple几乎相同，但它支持赋值。在此基础上，创建的子类几乎与namedtuples完全相同，但支持将新值分配给字段(无需创建新实例)。
from recordclass import recordclass
Shape = recordclass('Shape', ('x', 'y', 'z'))
exm = Shape(1, 2, 3)
print(exm.x)下面来看一下它的内存占用情况，
>>> print(sys.getsizeof(exm))
48相对于字典，它更是节省了高达192byte。
通过字典的方式是namedtuple内存占用的5倍。
Dataclass
recordclass还提供了另外一种更加节省内存的解决方案。
在内存中使用与具有__slots__的类实例中相同的存储结构，但不参与循环垃圾回收机制。
from recordclass import make_dataclass
Shape = make_dataclass('Shape', ('x', 'y', 'z'))
exm = Shape(1, 2, 3)
print(exm.x)下面来看一下内存占用情况，
>>> print(sys.getsizeof(exm))
40相对于字典，它更是节省了高达200byte。
通过字典的方式是namedtuple内存占用的6倍。
Cython
最后一种方式，采用Cython。
Cython 是具有 C 数据类型的 Python，因此，参数和变量都可以声明为C 数据类型，在内存上能够进一步优化。
不过，采用Cython方式要比前面几种方式更为复杂一些。首先需要把核心逻辑写在.pyx文件中，然后需要进行编译成.so或者.pyd文件。最后，在另一个Python文件中通过import导入模块。
下面来看一下示例，
# Example.pyx
cdef class Shape:
cdef public int x, y, z
def __init__(self, x, y, z):
self.x = x
self.y = y
self.z = z然后，写一下编译文件，
# setup.py
from distutils.core import setup
from Cython.Build import cythonize
setup(
ext_modules = cythonize("cc.pyx")
)在命令行下执行setup.py，编译文件，
$ python setup.py build_ext --inplace在Windows下会生成一个Shape.pyd文件，在Linux和macOS下会生成Shape.so文件。这里只是介绍一下，对于使用无关紧要。
然后就是调用编译后的文件。
import Shape
exm = Shape(1, 2, 3)
print(exm.x)下面来看一下它的内存占用情况，
>>> print(sys.getsizeof(exm))
32相对于字典，它更是节省了高达208byte。
通过字典的方式是namedtuple内存占用的7.5倍。
不积跬步，无以至千里。
在编程开发中也是这样，我们总是会觉得208byte微乎其微，对于现在计算机的内存来说无关紧要。或许，在一些财大气粗的公司、部门，动辄就可以提供一个集群让开发者使用。但是，内存是由上限的，不可能无节制的使用。但是，积少成多，在一个大工程中，数据量较大的项目中，如果进行这样的优化，内存优化是非常可观的。
以本文为例，很多Python开发者都已经习惯使用字典这种数据结构，并且对于内存占用不以为然。然而，你会发现，通过使用Cython，一个实例的内存可以从240byte优化到32byte，内存占用减少比例高达86.7%！
