Medir uso de memória em Python é mais complexo do que parece

Medir o uso de memória em programas Python pode parecer uma tarefa simples, mas na prática é bastante complexa. Embora o objetivo seja reduzir o consumo de memória, é necessário primeiro mensurá-lo corretamente para avaliar melhorias. Um exemplo comum é a criação de um array de 3 gibibytes preenchido com valores, que, em teoria, deveria consumir pouco mais de 3 GB de memória. Utilizando a métrica de memória residente, que indica a quantidade de memória física usada pelo processo, é possível verificar o consumo aproximado, incluindo o espaço ocupado pelo interpretador Python e bibliotecas importadas.

No entanto, essa métrica pode apresentar variações inesperadas. Por exemplo, ao abrir outras aplicações no sistema, o uso de memória residente do processo Python pode diminuir, mesmo que o código executado seja o mesmo. Isso ocorre porque o sistema operacional gerencia a memória de forma dinâmica, liberando ou realocando recursos conforme a demanda, o que torna a medição menos direta do que se imagina.

Para compreender essas variações, é fundamental entender o modelo simplificado de alocação de memória: cada programa em execução recebe um espaço de endereçamento virtual exclusivo, onde pode ler e escrever dados. Esse espaço é gerenciado pelo sistema operacional, que pode otimizar o uso da memória física entre diferentes processos. Assim, medir o uso de memória em Python requer não apenas ferramentas específicas, como a biblioteca psutil, mas também conhecimento sobre o funcionamento interno do sistema para interpretar corretamente os resultados e tomar decisões eficazes para otimização.