Память и производительность

Разберите, почему этот способ обработки большого набора данных может резко увеличить пиковое потребление памяти:

import asyncio

async def fetch(item):
    await asyncio.sleep(0)
    return item

async def load(items):
    return await asyncio.gather(*(fetch(item) for item in items))

При передаче большого объекта через multiprocessing.Queue почему память временно возрастает у отправляющего процесса?

В сервисе сохраняют пойманное исключение, после чего память большого локального объекта не освобождается: какая связь в traceback объясняет это удержание?

Наблюдается ускорение встроенной операции относительно эквивалентного цикла Python при том же объёме данных: какой механизм CPython обычно даёт этот эффект?

При сравнении времени Python-функции без профайлера и под cProfile результат под профайлером заметно хуже: какой механизм нужно учесть, чтобы не принять это замедление за свойство алгоритма?

После массового удаления ключей из большого словаря его память не уменьшается пропорционально числу удалённых элементов: какой механизм CPython это объясняет?

Представьте фазу обработки, где создаётся много короткоживущих контейнеров без циклических ссылок: в каких условиях временное отключение автоматического сборщика циклов ускорит Python-код?

В горячем цикле обращение к локальной переменной обычно быстрее глобальной: какой механизм CPython это объясняет?

В парсере статусов одинаковые байтовые значения преобразуются в строки. Объясните, почему проверка идентичности может дать True и когда такой подход уменьшит память.

import sys

def parse_status(raw):
    return sys.intern(raw.decode("ascii"))

raw_values = [b"ok", b"error", b"ok", b"ok"]
states = [parse_status(value) for value in raw_values]

print(states[0] is states[2])

Вам нужно хранить 10 миллионов целых чисел в памяти. Объясните, почему замена списка на array.array может существенно снизить потребление памяти, и назовите главный компромисс этого решения.

from array import array

values_list = [i for i in range(10_000_000)]
values_array = array("q", range(10_000_000))

Сравните проверку принадлежности элемента в списке и множестве: за счёт какого механизма множество обычно выполняет её быстрее?

На микробенчмарке первые вызовы Python-функции заметно медленнее последующих: какой механизм CPython нужно учитывать при интерпретации результата?

В обработчике после создания малого memoryview память большого исходного буфера не освобождается: какой механизм это объясняет?

Каким образом слабая ссылка позволяет отслеживать объект, не продлевая его время жизни?

В каком случае поверхностная копия вложенной структуры почти не снижает её потребление памяти?

При создании тысяч однотипных объектов память неожиданно велика: как словари экземпляров могут разделять структуру ключей?

За счёт какого механизма добавление элементов в список Python обычно имеет амортизированную сложность O(1), хотя иногда сопровождается перераспределением памяти?

Что делает последовательную конкатенацию строк в цикле потенциально квадратичной по времени?

При оценке памяти объекта через sys.getsizeof получилась неожиданно малая цифра: какой принцип измерения нужно проверить первым?

Что объясняет рост памяти после замены неизменяемых кортежей на списки?