Utilizando %mprun: Hero BMI 2.0

Veamos si utilizando un enfoque diferente para calcular los IMC podemos ahorrar algo de memoria. Si recuerdas, la altura y el peso de cada héroe se almacenan en un arreglo numpy. Esto significa que puedes utilizar las prácticas funciones de indexación de arreglos y difusión de NumPy para realizar tus cálculos. Se ha creado una función llamada calc_bmi_arrays y se ha guardado en un archivo llamado bmi_arrays.py. Para mayor comodidad, se muestra a continuación:

def calc_bmi_arrays(sample_indices, hts, wts):


    # Gather sample heights and weights as arrays

    s_hts = hts[sample_indices]

    s_wts = wts[sample_indices]


    # Convert heights from cm to m and square with broadcasting

    s_hts_m_sqr = (s_hts / 100) ** 2


    # Calculate BMIs as an array using broadcasting

    bmis = s_wts / s_hts_m_sqr


    return bmis

Observa que esta función realiza todos los cálculos necesarios utilizando arreglos.

Veamos si este enfoque de arreglo actualizado disminuye tu huella de memoria:

• Carga el paquete memory_profiler en tu sesión IPython.
• Importa calc_bmi_arrays desde bmi_arrays.
• Una vez que hayas completado los pasos anteriores, utiliza %mprun para perfilar la función calc_bmi_arrays() que actúa sobre los datos de tus superhéroes. Se han cargado en tu sesión los arreglos sample_indices, hts y wts.

Cuando hayas terminado de codificar, responde a la siguiente pregunta:

¿Cuánta memoria consumen las líneas de código de indexación y emisión de arreglos en la función calc_bmi_array()? (es decir, ¿cuál es la suma total de la columna Increment para estas cuatro líneas de código?)