如何使用memory_usage()函数监控程序运行过程中的内存波动

memory_usage()函数是一个用于监控程序运行过程中内存使用情况的函数。它可以返回一个包含程序在每个时间点的内存使用量的列表。

以下是一个使用memory_usage()函数来监控程序运行过程中内存波动的例子：

import pandas as pd
import numpy as np

# 创建一个DataFrame对象
df = pd.DataFrame(np.random.randn(10000, 10000))

# 使用memory_usage()函数监控内存使用量
memory_usage = df.memory_usage()

# 输出内存使用量的统计信息
print("初始内存使用量：", memory_usage.sum())
print("最小内存使用量：", memory_usage.min())
print("最大内存使用量：", memory_usage.max())
print("平均内存使用量：", memory_usage.mean())

# 运行一段代码，增加内存使用量
df2 = df * 2

# 再次使用memory_usage()函数监控内存使用量
memory_usage2 = df2.memory_usage()

# 输出内存使用量的统计信息
print("增加内存使用量后的最小内存使用量：", memory_usage2.min())
print("增加内存使用量后的最大内存使用量：", memory_usage2.max())
print("增加内存使用量后的平均内存使用量：", memory_usage2.mean())

在这个例子中，我们首先创建了一个包含10000行10000列的随机数的DataFrame对象。然后我们使用memory_usage()函数获取DataFrame对象在每个时间点的内存使用量，并将其保存在变量memory_usage中。接下来，我们输出了内存使用量的统计信息，包括初始内存使用量、最小内存使用量、最大内存使用量和平均内存使用量。

然后，我们执行了一段代码，将DataFrame对象中的每个元素乘以2，以增加内存使用量。然后我们再次使用memory_usage()函数获取增加内存使用量后的DataFrame对象的内存使用量，并将其保存在变量memory_usage2中。然后输出了增加内存使用量后的最小内存使用量、最大内存使用量和平均内存使用量。

通过这个例子，我们可以看到在程序运行过程中内存使用量的变化情况。这对于优化内存使用、发现内存泄漏等问题非常有用。