Question

一般来说，如果你能够避免把它放进RAM，就去做。你所加载的每样东西都耗费你的RAM。你可能会加载你的部分数据，例如使用一个内存映射；或者，你可能会使用生成器来加载你所需的部分数据，为了局部计算，而不是把它一次性全部加载进来。

如果你正用数字型的数据来工作，那么你几乎肯定会想要转而使用numpy数组——该包提供了许多直接工作在底层基本类型对象上的快速算法。与使用数字的列表相比，RAM上的节省是巨大的，而且时间上的节省也一样令人惊奇。

在本书中你已经注意到我们一般使用xrange，而不是range，只是因为（在Python 2.x中）xrange是一个产生器，然而range却构建了一个完整的列表。构建一个100000000个整数的列表仅仅用来遍历正确的次数是过分的——RAM耗费巨大而且完全不必要。Python 3.x把range变成了一个产生器，这样你不再需要做这种改变。

如果你正使用字符串工作，并且你用的是Python 2.x，如果你想要节约RAM，设法坚持使用str而不是unicode。如果你贯穿整个程序需要许多Uncode对象，你可能通过简单地升级到Python 3.3+，就能受到更好的服务。如果你正要在一个静态结构中存储大量的Uncode对象，那么你可能想要调查下我们刚才讨论过的DAWG和trie树结构。

如果你正用许多比特字串来工作，调查下numpy和bitarray包，它们都有把比特打包进字节的高效表示。你可能也会受益于查看Redis，它提供了高效的比特模式存储。

PyPy项目正在试验更高效的同质数据结构的表示，这样相同的基本类型（例如，整数）的长列表在PyPy中要比在CPython中的等价结构体可能耗费要少得多。Micro Python项目会让任何工作于嵌入式系统的人产生兴趣。它是一个缩微内存印记的，试图兼容于Python 3的Python实现。

这（几乎！）不用我说，你要知道当你设法优化RAM使用时，你必须要做基准测试，并且在你改变算法前，有一个适当的单元测试集会产生一个优厚的报酬。

已经回顾了几种高效地压缩字符串和存储数字的方法后，我们现在将看看以精度换取存储空间。