定义许多相同类型的对象的内存效率更高的方法答案

【问题标题】：More memory efficient way to define many objects of the same type定义许多相同类型的对象的内存效率更高的方法
【发布时间】：2023-03-11 01:25:01
【问题描述】：

所以，我正在涉足等离子模拟的世界。现在，虽然我知道顶级模拟是用 fortran 编写的，并且具有超内存效率的子例程和专用代码，但我希望只运行一些低级模拟。

我的问题是，在时变环境（嗯，时间步长）中模拟大量粒子时，跟踪所有数据是一个技巧。我之前使用过多维数组——使用粒子的列号和属性的行号，但是这感觉相当笨拙。但是，它似乎执行得更快。

我最近尝试定义自己的类，但是作为一个 python 新手，我可能以一种非常低效的方式做到了。对于 3 维中的每个粒子，我需要能够存储粒子的位置、速度和力（一旦代码变得更复杂，就有可能添加更多变量）。使用我对类的了解，我定义了一个 particle 对象（我认为），它使我的代码更易于阅读和遵循：

# Define Particle as a class
class particle():
    def __init__(self, index=0, pos=np.array([0, 0, 0]), vel=np.array([0,0,0]), 
                 F=np.array([0, 0, 0])):
        self.index = index      # Particle index (identifier)
        self.pos = pos          # Position 3-vector
        self.vel = vel          # Velocity 3-vector
        self.F = F              # Net force 3-vector (at particle)

因此，我可以轻松地初始化一个包含大量此类对象的数组，并以相当直接的方式修改每个值。然而，正如我所提到的，这对于只涉及几个粒子的模拟运行速度较慢。我将使用我的代码将其与纯面向矩阵的方法进行比较，看看哪种方法更适合大型模拟。

我想我的问题是：以这种方式定义“粒子”是最有效的吗？或者是否有更高效的 CPU/内存方式来定义这样的对象。我想保留它的方法能力（即particle[i].pos = [1,2,3] 或particle[2].vx[1] = 3），这样我就可以为每个粒子设置值，并通过函数传递它们。请记住，我是 Python 新手，所以我可能不会在处理大型复杂代码方面取得巨大成功。

【问题讨论】：

你在使用 numpy 吗？
是的。我也在使用 matplotlib 进行可视化。
当心mutable default argument。
@user2357112 好点。在我更新的答案中解决了这个问题。

标签： python arrays class types simulation

【解决方案1】：

用`slots`节省内存

一种节省内存的方法是使用slots：

class Particle():  # Python 3
    __slots__ = ['index', 'pos', 'vel', 'F']
    def __init__(self, index=0, pos=None, vel=None, F=None):
        # Particle index (identifier)
        self.index = index      
        # Position 3-vector
        self.pos = np.array([0, 0, 0]) if pos is None else pos    
        # Velocity 3-vector
        self.vel = np.array([0,0,0]) if vel is None else vel   
        # Net force 3-vector (at particle)
        self.F = np.array([0, 0, 0]) if F is None else F

来自文档：

可以为此类变量分配一个字符串、可迭代的或具有实例使用的变量名的字符串序列。 __slots__ 为声明的变量保留空间，并防止为每个实例自动创建 __dict__ 和 __weakref__。

旁注：我通过将mutable default argument problem 设置为None 并在__init__() 中为None 值创建一个新的NumPy 数组来修复mutable default argument problem。

无法向实例添加新属性

一个重要的区别是你不能在实例化之后添加__slots__中没有列出的属性：

p = Particle()

p.new_attr = 45

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-664-a970d86f4ca3> in <module>()
      1 p = Particle()
      2 
----> 3 p.new_attr = 45

AttributeError: 'Particle' object has no attribute 'new_attr'

与没有__slots__的类比较：

class A:   # Python 3
    pass

a = A()
a.new_attr = 10

没有引发异常。

【讨论】：

这看起来很有趣！这是否使我能够在创建后以相同的方式与对象进行交互？另外，“插槽”是如何工作的？（如果你知道）编辑：谢谢！当我到达有电脑的地方时，我会尝试这样做。我真的很希望继续使用我的课程，因为它让我的代码看起来很漂亮——在 python 中使用矩阵有点让人头疼。
有几个difference。但对于许多实际用途而言，并没有什么大的缺点。
尝试生成 100 个静态粒子的基本实验，我的程序执行速度较慢 with slots 声明：
你如何衡量这个？多年来我一直在使用 Python 进行性能测量，并且有很多事情会扭曲计时结果。
我刚刚使用了一个与 timeit 不同的计时器： from timeit import default_timer as timer start_time = timer() elapsed = timer() - start_time 现在已经用几千个粒子运行了模拟，不幸的是矩阵似乎是最方便的方法。我只需要处理混乱的代码。对于 10,000 个粒子，类需要 0.61 秒，矩阵需要 0.48 秒。一旦我开始移动这些粒子，我想差异只会增加。

【解决方案2】：

听起来你想要享元模式。也许将对象中的一个整数作为索引存储到具有 9 行元素的数组中？

【讨论】：

用__slots__节省内存

无法向实例添加新属性

用`slots`节省内存