Usare %mprun: Hero BMI 2.0

Vediamo se usare un approccio diverso per calcolare i BMI può risparmiare memoria. Se ricordi, l’altezza e il peso di ciascun eroe sono memorizzati in un array numpy. Questo significa che puoi sfruttare l’indicizzazione degli array e il broadcasting di NumPy per eseguire i calcoli. È stata creata una funzione chiamata calc_bmi_arrays e salvata in un file dal titolo bmi_arrays.py. Per comodità, è mostrata qui sotto:

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

Nota che questa funzione esegue tutti i calcoli necessari usando array.

Vediamo se questo nuovo approccio basato sugli array riduce l’impronta di memoria:

• Carica il pacchetto memory_profiler nella tua sessione IPython.
• Importa calc_bmi_arrays da bmi_arrays.
• Una volta completati i passaggi precedenti, usa %mprun per profilare la funzione calc_bmi_arrays() sui dati dei tuoi supereroi. Gli array sample_indices, hts e wts sono già stati caricati nella tua sessione.

Dopo aver terminato di scrivere il codice, rispondi alla seguente domanda:

Quanta memoria consumano le righe di codice di indicizzazione degli array e broadcasting nella funzione calc_bmi_array()? (cioè qual è la somma totale della colonna Increment per queste quattro righe di codice?)