Bu makale, her Python geliştiricisinin bilmesi gereken temel performans metriklerini detaylı bir şekilde sunuyor. Python'da bir listeye öğe eklemenin, bir dosyayı açmanın ne kadar sürdüğü veya farklı veri yapılarının ne kadar bellek kullandığı gibi sorulara somut yanıtlar veriliyor. Yazar, performans odaklı algoritmalar geliştirirken hangi veri yapılarının tercih edilmesi gerektiği, bir float sayının veya boş bir dizenin ne kadar bellek tükettiği gibi kritik bilgileri derlemiş. Amaç, geliştiricilerin kodlarını daha verimli hale getirmelerine yardımcı olacak pratik bilgiler sunmak.
Makale, Python'a özel performans sayılarını kategori bazında gruplandırılmış kapsamlı bir tablo aracılığıyla sunuyor. Bellek kullanımı ve temel işlemlerin hızları gibi metrikler detaylandırılıyor. Örneğin, boş bir Python sürecinin 15.73 MB bellek kullanırken, boş bir dizenin sadece 41 bayt yer kapladığı belirtiliyor. Küçük tamsayılar (0-256 arası) 28 bayt, float sayılar ise 24 bayt bellek tüketiyor. Veri yapıları açısından, 1000 tamsayı içeren bir listenin 7.87 KB, aynı sayıda öğe içeren bir sözlüğün ise 36.1 KB bellek kullandığı gösteriliyor.
Temel işlemler tarafında ise, iki tamsayıyı toplamanın 19.0 nanosaniye sürdüğü, dize birleştirmenin 39.1 nanosaniye olduğu belirtiliyor. f-string formatlamanın .format() veya % formatlamaya göre daha hızlı olduğu vurgulanıyor. Koleksiyonlar için, sözlükte anahtara göre aramanın 21.9 nanosaniye, kümede üyelik kontrolünün 19.0 nanosaniye sürdüğü görülüyor. 1000 öğeli bir listede üyelik kontrolünün ise 3.85 mikrosaniye gibi daha uzun bir süre aldığı belirtilerek, doğru veri yapısı seçiminin önemi ortaya konuyor. Bu sayılar, geliştiricilere kod optimizasyonu yaparken yol gösterici nitelikte.
Bu sayılar, Python geliştiricilerinin kodlarının bellek ve zaman performansı üzerindeki etkilerini daha iyi anlamalarını ve daha optimize edilmiş uygulamalar geliştirmelerini sağlar.