Utilizzando __slots__ sotto PyPy

Question

ho questo semplice codice che mi ha aiutato a misurare quanto classi con __slots__ eseguire (tratto da here):

import timeit 

def test_slots(): 
    class Obj(object): 
     __slots__ = ('i', 'l') 

     def __init__(self, i): 
      self.i = i 
      self.l = [] 

    for i in xrange(1000): 
     Obj(i) 

print timeit.Timer('test_slots()', 'from __main__ import test_slots').timeit(10000) 

Se l'eseguo via python2.7 - vorrei avere qualcosa di circa 6 secondi - ok, è molto più veloce (e anche più efficiente in termini di memoria) che senza slot.

Tuttavia, se eseguo il codice in PyPy (utilizzando 2.2.1 - 64 bit per Mac OS/X), inizia a utilizzare il 100% della CPU e "mai" restituisce (atteso per minuti - nessun risultato).

Cosa sta succedendo? Dovrei usare __slots__ sotto PyPy?

Ecco cosa succede se passo diverso numero di timeit():

timeit(10) - 0.067s 
timeit(100) - 0.5s 
timeit(1000) - 19.5s 
timeit(10000) - ? (probably more than a Game of Thrones episode) 

Grazie in anticipo.

---

Si noti che lo stesso comportamento si osserva se uso namedtuple s:

import collections 
import timeit 

def test_namedtuples(): 
    Obj = collections.namedtuple('Obj', 'i l') 

    for i in xrange(1000): 
     Obj(i, []) 

print timeit.Timer('test_namedtuples()', 'from __main__ import test_namedtuples').timeit(10000) 

Answer 1

In ciascuno dei 10.000 o giù di iterazioni del codice timeit, la classe viene ricreata da zero. Creare le classi probabilmente non è un'operazione ben ottimizzata in PyPy; anche peggio, così facendo probabilmente scartare tutte le ottimizzazioni che il JIT ha appreso sulla precedente incarnazione della classe. PyPy tende ad essere lento fino a quando la JIT non si è riscaldata, quindi fare cose che lo richiedono per riscaldarsi ripetutamente ucciderà le tue prestazioni.

La soluzione qui è, ovviamente, spostare semplicemente la definizione di classe al di fuori del codice oggetto di benchmark.

Answer 2

Per rispondere direttamente alla domanda nel titolo: __slots__ non ha senso (ma non guasta) le prestazioni in PyPy.